BAB IV PEMBAHASAN. BAB IV berisi pembahasan tahapan penelitian, yaitu klasifikasi logika. A. Identifikasi Data Cadangan Hidrokarbon
|
|
- Ratna Sudirman
- 6 tahun lalu
- Tontonan:
Transkripsi
1 BAB IV PEMBAHASAN BAB IV berisi pembahasan tahapan penelitian yaitu klasifikasi logika fuzzy hasil pembahasan analisis pengujian model fuzzy dan visualisasi model fuzzy pada perhitungan cadangan hidrokarbon dengan GUI. A. Identifikasi Data Cadangan Hidrokarbon 1. Variabel Input Parameter yang mempengaruhi nilai OOIP pada metode volumetric digolongkan sebagai variabel input. Berdasarkan persamaan (2.1) dan (2.2) variabel input tersebut adalah volume bulk porositas batuan saturasi hidrokarbon dan faktor volume formasi hidrokarbon. Himpunan semesta variabel-variabel input berdasarkan ilmu geologi yaitu: a. Volume bulk ( ) Nilai volume bulk selalu positif sehingga nilai minimumnya adalah 0 sedangkan nilai maksimum volume bulk tak terhingga. Untuk membatasi nilai maksimumnya diambil nilai yang lebih besar dari nilai maksimum data latih yaitu lebih besar dari Dipilih dari pembulatan ke ratus ribuan sebagai nilai maksimum pada himpunan semesta. Jadi himpunan semesta untuk adalah = [ ]. b. Saturasi hidrokarbon ( ) 31
2 Nilai saturasi hidrokarbon dari 0 sampai 1. Oleh karena itu himpunan semesta untuk adalah = [0 1]. c. Porositas batuan Nilai porositas batuan yang baik dalam mengalirkan hidrokarbon yaitu dari 0 sampai 04. Oleh karena itu himpunan semesta untuk adalah = [0 04]. d. Faktor volume formasi hidrokarboon ( ) Nilai selalu lebih besar dari satu sehingga satu adalah nilai minimum. Untuk membatasi nilai maksimumnya diambil nilai yang lebih besar dari nilai maksimum data latih yaitu lebih besar dari Dipilih 15 dari pembulatan 1496 ke sepersepuluhan sebagai nilai maksimum pada himpunan semesta. Jadi himpunan semesta untuk adalah = [1 15]. 2. Variabel Output OOIP adalah cadangan hidrokarbon mula-mula di reservoir sehingga variabel output pada data cadangan hidrokarbon adalah OOIP. Proses pengolahan data dalam penelitian ini menggunakan model fuzzy Sugeno orde nol sehingga outputnya berupa konstanta. Terdapat lima belas output berdasarkan data cadangan hidrokabon yaitu ; ; ; ; ; ; ; ; ; ; ; ; ; ; dan B. Pendeskripsian Himpunan Fuzzy pada Variabel Input dan Output Tahapan fuzzifikasi dilakukan pada MATLAB R2010b. Pendeskripsian himpunan fuzzy dilakukan dengan fungsi keanggotaan. 32
3 1. Variabel Input Fungsi keanggotaan variabel input direpresentasikan dengan gabungkan fungsi keanggotaan linear segitiga dan trapesium. Variabel input didefinisikan dengan empat himpunan fuzzy sedangkan dan didefinisikan dengan tiga himpunan fuzzy. Belum ada ketentuan khusus dalam pemilihan fungsi keanggotaan dan pembagian himpunan fuzzy sehingga cara yang dilakukan peneliti adalah dengan trial error berdasarkan data latih. a. Variabel input didefinisikan dengan empat himpunan fuzzy dan. Representasi himpunan fuzzy pada variabel input menggunakan fungsi keanggotaan linear pada himpunan fuzzy segitiga pada himpunan fuzzy dan serta trapesium pada himpunan fuzzy yang ditunjukkan pada Gambar Berikut fungsi keanggotaan variabel input berdasarkan (2.7) (2.8) dan (2.9): 0 <
4 A B C D 1 Derajat Keanggotaan Vb x 10 4 Gambar 4.1. Himpunan fuzzy: b. Variabel input didefinisikan dengan tiga himpunan fuzzy dan. Representasi himpunan fuzzy pada variabel input menggunakan fungsi keanggotaan linear pada himpunan fuzzy dan serta segitiga pada himpunan fuzzy yang ditunjukkan pada Gambar Berikut fungsi keanggotaan variabel input berdasarkan (2.7) (2.8) dan (2.9): 0 <
5 A B C 1 Derajat Keanggotaan Sh Gambar 4.2. Himpunan fuzzy: c. Variabel input didefinisikan dengan tiga himpunan fuzzy dan. Representasi himpunan fuzzy pada variabel input menggunakan fungsi keanggotaan linear pada himpunan fuzzy dan segitiga pada himpunan fuzzy dan yang ditunjukkan pada Gambar Berikut fungsi keanggotaan variabel input berdasarkan (2.7) (2.8) dan (2.9): 0 <
6 A B C 1 Derajat Keanggotaan Porositas Gambar 4.3. Himpunan fuzzy: d. Variabel input didefinisikan dengan tiga himpunan fuzzy dan. Representasi himpunan fuzzy pada variabel input menggunakan fungsi keanggotaan linear pada himpunan fuzzy dan segitiga pada himpunan fuzzy dan yang ditunjukkan pada Gambar Berikut fungsi keanggotaan variabel input berdasarkan (2.7) (2.8) dan (2.9): 0 <
7 A B C 1 Derajat Keanggotaan BOI Gambar 4.4. Himpunan fuzzy: 2. Variabel Output Variabel output OOIP yang memiliki lima belas data berupa konstanta berdasarkan data latih digunakan sebagai output yaitu: a. 1 dengan parameter b. 2 dengan parameter c. 3 dengan parameter d. 4 dengan parameter e. 5 dengan parameter f. 6 dengan parameter g. 7 dengan parameter h. 8 dengan parameter i. 9 dengan parameter j. 10 dengan parameter k. 11 dengan parameter l. 12 dengan parameter m. 13 dengan parameter n. 14 dengan parameter
8 o. 15 dengan parameter C. Pembentukan Aturan Fuzzy Setelah diperoleh himpunan fuzzy pada setiap variabel input tahapan selanjutnya adalah membentuk aturan fuzzy. Tahapan ini dilakukan pada MATLAB R2010b. Semua data cadangan hidrokarbon dijadikan sebagai data latih. Data latih digunakan untuk membentuk aturan fuzzy. Kemudian setiap nilai input dicari derajat keanggotaannya. Semua derajat keanggotaan digunakan untuk membentuk aturan fuzzy karena terbatasnya data cadangan hidrokarbon yang tersedia. Berdasarkan banyaknya data latih maka aturan fuzzy yang terbentuk berjumlah lima belas aturan (Lampiran 4). Contoh perhitungan manual dalam pembentukan aturan fuzzy berdasarkan data H-II dijelaskan di bawah sedangkan data lainnya mengikuti. Data H-II mempunyai nilai sebesar acre-feet sebesar fraksi sebesar fraksi dan sebesar BBL/STB. Berdasarkan metode volumetric nilai OOIP data H-II pada data latih adalah STB. Nilai klasik variabel input kemudian diubah kedalam nilai fuzzy. a. Nilai klasik adalah acre-feet. Nilai ini dianggap sebagai nilai. Berdasarkan empat himpunan fuzzy yang telah dideskripsikan pada variabel input nilai = berada dalam interval himpunan sehingga derajat keanggotaan selain himpunan fuzzy keanggotaan masing-masing himpunan fuzzy adalah 0. Perhitungan derajat yaitu: ( ) = 0 38
9 ( ) = = ( ) = ( ) = 0 Pencarian nilai kebenaran tunggal dari derajat keanggotaan tersebut dilakukan dengan persamaan (2.12) yaitu: max( ) = Nilai merupakan derajat keanggotaan = pada himpunan fuzzy sehingga nilai -nya masuk dalam himpunan fuzzy. b. Nilai klasik adalah fraksi. Nilai ini dianggap sebagai nilai. Berdasarkan tiga himpunan fuzzy yang telah dideskripsikan pada variabel input nilai = berada dalam interval himpunan sehingga derajat keanggotaan selain himpunan fuzzy keanggotaan masing-masing himpunan fuzzy adalah 0. Perhitungan derajat yaitu: (06251) = (06251) = 0 (06251) = = Pencarian nilai kebenaran tunggal dari derajat keanggotaan tersebut dilakukan dengan persamaan (2.12) yaitu: max( ) = Nilai merupakan derajat keanggotaan = pada himpunan fuzzy sehingga nilai -nya masuk dalam himpunan fuzzy. c. Nilai klasik adalah fraksi. Nilai ini dianggap sebagai nilai. Berdasarkan tiga himpunan fuzzy yang telah dideskripsikan pada variabel input 39
10 nilai = berada dalam interval himpunan dan sehingga derajat keanggotaan selain dua himpunan fuzzy tersebut adalah 0. Perhitungan derajat keanggotaan masing-masing himpunan fuzzy yaitu: (018409) = 0 (018409) = (018409) = = = Pencarian nilai kebenaran tunggal dari derajat keanggotaan tersebut dilakukan dengan persamaan (2.12) yaitu: max( ) = Nilai merupakan derajat keanggotaan = pada himpunan fuzzy sehingga nilai -nya masuk dalam himpunan fuzzy. d. Nilai klasik adalah fraksi. Nilai ini dianggap sebagai nilai. Berdasarkan tiga himpunan fuzzy yang telah dideskripsikan pada variabel input nilai = berada dalam interval ketiga himpunan. Perhitungan derajat keanggotaan masing-masing himpunan fuzzy yaitu: (12091 ) = (12091 ) = (12091 ) = = = =
11 Pencarian nilai kebenaran tunggal dari derajat keanggotaan tersebut dilakukan dengan persamaan (2.12) yaitu: max( ) = Nilai merupakan derajat keanggotaan = pada himpunan fuzzy sehingga nilai -nya masuk dalam himpunan fuzzy. Dari perhitungan di atas aturan fuzzy berdasarkan data H-II dengan operasi AND adalah: Jika adalah dan adalah dan adalah dan adalah maka adalah 1. Dari uraian di atas hasil perhitungan nilai kebenaran tersebut dikelompokkan pada Tabel Tabel 4.1. Hasil perhitungan nilai kebenaran dari nilai input data H-II Variabel input Nilai klasik Nilai kebenaran tunggal Himpunan fuzzy D. Inferensi Fuzzy Metode Sugeno Metode Sugeno menggunakan fungsi implikasi min dan fungsi agregasi max. Tahapan ini dilakukan pada MATLAB R2010b. Untuk mengetahui apakah inferensi fuzzy pada MATLAB sudah sesuai atau belum dilakukan perhitungan secara analisis dengan menggunakan salah satu data sebagai input. Perhitungan inferensi fuzzy metode Sugeno secara analisis berdasarkan data H- II dijelaskan di bawah. Nilai kebenaran tunggal dari derajat keanggotaan empat 41
12 nilai input ditunjukkan pada Tabel Berdasarkan himpunan fuzzy tersebut aturan yang memenuhi adalah aturan 1. Dengan melihat aturan pada Lampiran 4 berikut adalah aturan yang memenuhi derajat keanggotaan tersebut. [Aturan1] Jika adalah dan adalah dan adalah dan adalah maka adalah 1. Tahapan implikasi yaitu mencari nilai minimum dari nilai kebenaran tunggal pada aturan yang memenuhi (aturan 1) dilakukan dengan persamaan (2.11) yaitu: min( ) = Nilai merupakan derajat keanggotaan himpunan fuzzy pada variabel input. Tahapan agregasi yaitu mencari nilai maksimum dari semua output himpunan fuzzy aturan IF-THEN dilakukan dengan persamaan (2.12). Karena hanya terdapat satu output himpunan fuzzy aturan IF-THEN pada data H-II nilai maksimumnya adalah nilai output tersebut yaitu E. Defuzzifikasi Tahapan terakhir pada FIS adalah defuzzifikasi. Tahapan ini dilakukan pada MATLAB R2010b dengan menghitung nilai rata-rata. Output defuzzifikasi adalah suatu konstanta yang berupa weighted average. Perhitungan manual dalam memperoleh output berdasarkan data H-II dijelaskan di bawah. Hasil defuzzifikasi dilambangkan dengan. Berikut perhitungan defuzzifikasi berdasarkan persamaan (2.16): 42
13 = = = = = = = Nilai = merupakan perhitungan defuzzifikasi secara manual dimana hasil ini sesuai dengan konsekuen aturan 1 sedangkan pada MATLAB R2010b memberikan hasil Besar selisih (kesalahan) hasil pada MATLAB R2010b adalah Defuzzifikasi pada MATLAB R2010b ditunjukkan pada Gambar Gambar 4.5. Hasil defuzzifikasi data H-II 43
14 Secara ringkas keseluruhan tahapan pembuatan model fuzzy Sugeno orde nol dengan MATLAB R2010b diuraikan pada Lampiran 5 dan script MATLAB pada FIS disajikan pada Lampiran 6. F. Analisis Pengujian Model Fuzzy Dari tahapan-tahapan yang telah dilakukan hasil perhitungan manual dan model fuzzy dari data latih serta perbandingannya dengan nilai aktual ditunjukkan pada Tabel Tabel 4.2. Perbandingan nilai aktual perhitungan manual dan perhitungan model fuzzy pada data latih No Data Nilai Aktual Perhitungan (STB) (STB) Manual MATLAB R2010b 1 H-II H-III H-IV H1-I H1-II H1-IV I1-II I1-III&IV L-II L-III L-IV CGL.A-A CGL.A-A CGL.B-B CGL.B-B yaitu: Perhitungan MAPE berdasarkan data H-II dilakukan dengan persamaan (2.17) = % = 100% % 44
15 = ( ) = 8.27 Atau secara ringkas ditunjukkan pada Tabel Tabel 4.3. Hasil perhitungan MAPE pada data latih No Data Kesalahan Absolut (%) 1 H-II H-III H-IV 0 4 H1-I 0 5 H1-II 08 6 H1-IV 0 7 I1-II I1-III&IV L-II L-III L-IV CGL.A-A CGL.A-A CGL.B-B CGL.B-B2 978 MAPE 827 Berdasarkan perhitungan di atas nilai MAPE adalah 827%. Model ini dikatakan sangat baik yaitu nilai MAPE kurang dari 10% sehingga tidak perlu dilakukan perbaikan model. Keakuratan model fuzzy didapat dari mengurangkan nilai MAPE pada persentase penuh yaitu = 100% 8.27% = 91.73%. Model fuzzy dengan keakuratan sebesar 9173% dianggap mampu memodelkan permasalahan dengan baik. 45
16 G. Visualisasi Model Fuzzy dengan Graphical User Interface Tahapan terakhir pada penelitian ini yaitu visualisasi model fuzzy yang telah dibangun dengan GUI. Tujuan tahapan ini adalah untuk memudahkan pengguna dalam pengoperasian model fuzzy dan menghasilkan tampilan yang lebih menarik. Hasil visualisasi model fuzzy pada perhitungan cadangan hidrokarbon dengan GUI ditunjukkan pada Gambar 4.6. Script MATLAB pada GUI untuk menjalankan program dapat disajikan pada Lampiran 7 sedangkan tahapan pembuatannya diuraikan pada Lampiran 8. Gambar 4.6. Visualisasi model fuzzy pada perhitungan cadangan hidrokarbon dengan GUI Data cadangan hidrokarbon yang digunakan pada Gambar 4.6. adalah data H- II dengan nilai input pada volume bulk pada saturasi hidrokarbon pada porositas batuan dan pada BOI. Setelah dilakukan evaluasi data output yang muncul adalah nilai OOIP hasil evaluasi data dengan model fuzzy yaitu e+006 dan keterangan Nilai aktual OOIP = sehingga nilai MAPE = 711%. 46
17 Tahapan menjalankan program pada Gambar 4.6. dimulai dengan memasukkan keempat nilai input kemudian meng-klik tombol Proses untuk memproses data. Nilai OOIP hasil evaluasi data dengan model fuzzy dan keterangan mengenai informasi nilai aktual OOIP dan nilai MAPE akan muncul pada output. Gunakan tombol Ulangi untuk me-reset data input dan keterangan pada output. Jika program telah selesai digunakan klik tombol Keluar untuk keluar dari program. Hasil OOIP tersebut merepresentasikan perhitungan cadangan hidrokarbon berdasarkan penerapan fuzzy logic pada metode volumetric. 47
PENERAPAN FUZZY LOGIC PADA METODE VOLUMETRIC UNTUK MENGHITUNG CADANGAN HIDROKARBON PEMBORAN MINYAK SUATU LAPANGAN
PENERAPAN FUZZY LOGIC PADA METODE VOLUMETRIC UNTUK MENGHITUNG CADANGAN HIDROKARBON PEMBORAN MINYAK SUATU LAPANGAN APPLICATION OF FUZZY LOGIC IN VOLUMETRIC METHOD FOR CALCULATING OIL RESERVES Oleh: Hidayah
Lebih terperinciBAB IV PEMBAHASAN. A. Aplikasi Fuzzy Logic untuk Menilai Kolektibilitas Anggota Sebagai. Pertimbangan Pengambilan Keputusan Pemberian Kredit
BAB IV PEMBAHASAN A. Aplikasi Fuzzy Logic untuk Menilai Kolektibilitas Anggota Sebagai Pertimbangan Pengambilan Keputusan Pemberian Kredit Aplikasi fuzzy logic untuk pengambilan keputusan pemberian kredit
Lebih terperinciBAB II KAJIAN TEORI. Bab II berisi kajian teori. Teori-teori yang digunakan pada penelitian ini
BAB II KAJIAN TEORI Bab II berisi kajian teori. Teori-teori yang digunakan pada penelitian ini diantaranya cadangan hidrokarbon, fuzzy logic, sistem inferensi fuzzy, MATLAB, dan penelitian-penelitian terdahulu.
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. Tingkat kesehatan bank dapat diketahui dengan melihat peringkat
BAB IV HASIL DAN PEMBAHASAN A. Analisis Tingkat Kesehatan Bank Tingkat kesehatan bank dapat diketahui dengan melihat peringkat komposit bank tersebut. Menurut peraturan Bank Indonesia No. 13/1/PBI/2011
Lebih terperinciBAB III METODE PENELITIAN. Bab ini berisi penjelasan mengenai metode penelitian, jenis dan sumber data
BAB III METODE PENELITIAN Bab ini berisi penjelasan mengenai metode penelitian, jenis dan sumber data penelitian, teknik pengumpulan data, teknik analisis data dan desain penelitian. A. Metode Penelitian
Lebih terperinciIV PENGEMBANGAN FUZZY INFERENSI SISTEM SELEKSI METODE EOR
IV PENGEMBANGAN FUZZY INFERENSI SISTEM SELEKSI METODE EOR 4.1. Fuzzy Inferensi Sistem Tahapan-tahapan yang dilakukan pada Pengembangan Fuzzy Iinferensi Sistem untuk Seleksi Metode EOR antara lain: mendefinisikan
Lebih terperinciBAB I PENDAHULUAN. Minyak dan gas bumi merupakan gabungan/ campuran komposisi dari
BAB I PENDAHULUAN Bab I berisi latar belakang, pembatasan masalah, rumusan masalah, tujuan penelitian, dan manfaat penelitian. A. Latar Belakang Minyak dan gas bumi merupakan gabungan/ campuran komposisi
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 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 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 terperinciPENALARAN FUZZY SISTEM PAKAR DEPARTEMEN ILMU KOMPUTER INSTITUT PERTANIAN BOGOR 2012
PENALARAN FUZZY SISTEM PAKAR DEPARTEMEN ILMU KOMPUTER INSTITUT PERTANIAN BOGOR 2012 PENALARAN FUZZY Digunakan untuk menghasilkan suatu keputusan tunggal / crisp saat defuzzifikasi Penggunaan akan bergantung
Lebih terperinciPENGEMBANGAN SISTEM PAKAR FUZZY
FUZZY EXPERT SYSTEM FUZZY INFERENCE SYSTEM FUZZY REASONING Toto Haryanto MATA KULIAH SISTEM PAKAR DEPARTEMEN ILMU KOMPUTER INSTITUT PERTANIAN BOGOR PENGEMBANGAN SISTEM PAKAR FUZZY Domain Masalah Fuzzifikasi
Lebih terperinciPraktikum sistem Pakar Fuzzy Expert System
Praktikum sistem Pakar Fuzzy Expert System Ketentuan Praktikum 1. Lembar Kerja Praktikum ini dibuat sebagai panduan bagi mahasiswa untuk praktikum pertemuan ke - 8 2. Mahasiswa akan mendapatkan penjelasan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 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 terperinciDENIA FADILA RUSMAN
Sidang Tugas Akhir INVENTORY CONTROL SYSTEM UNTUK MENENTUKAN ORDER QUANTITY DAN REORDER POINT BAHAN BAKU POKOK TRANSFORMER MENGGUNAKAN METODE FUZZY (STUDI KASUS : PT BAMBANG DJAJA SURABAYA) DENIA FADILA
Lebih terperinciAPLIKASI FUZZY LOGIC UNTUK MENILAI KOLEKTIBILITAS ANGGOTA SEBAGAI PERTIMBANGAN PENGAMBILAN KEPUTUSAN PEMBERIAN KREDIT DI KOPERASI X SKRIPSI
APLIKASI FUZZY LOGIC UNTUK MENILAI KOLEKTIBILITAS ANGGOTA SEBAGAI PERTIMBANGAN PENGAMBILAN KEPUTUSAN PEMBERIAN KREDIT DI KOPERASI X SKRIPSI Diajukan kepada Fakultas Matematika dan Ilmu Pengetahuan Alam
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 terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN Bab III berisi tentang metode penelitian. Metode penelitian yang digunakan dalam penelitian ini terdiri dari teknik pengumpulan data, teknik analisis data dan perencanaan layar
Lebih terperinciTahap Sistem Pakar Berbasis Fuzzy
Company LOGO Penalaran Mamdani dan Tsukamoto Pada pendekatan Fuzzy Inference System Departemen Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Pertanian Bogor 2011 www.company.com
Lebih terperinciBAB 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
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 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 terperinciBab III TEORI DAN PENGONTOR BERBASIS LOGIKA FUZZI
Bab III TEORI DAN PENGONTOR BERBASIS LOGIKA FUZZI III.1 Teori Logika fuzzi III.1.1 Logika fuzzi Secara Umum Logika fuzzi adalah teori yang memetakan ruangan input ke ruang output dengan menggunakan aturan-aturan
Lebih 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
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 terperinciJurnal String Vol. 1 No. 1 Tahun 2016 ISSN: MODEL EVALUASI KINERJA KARYAWAN DENGAN METODE FUZZY SUGENO PADA RESTO ABTL
MODEL EVALUASI KINERJA KARYAWAN DENGAN METODE FUZZY SUGENO PADA RESTO ABTL Fanisya Alva Mustika 1, Sutrisno 2 Program Studi Teknik Informatika, Universitas Indraprasta PGRI Jakarta 1,2 E-mail: alva.mustika@gmail.com
Lebih 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 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 terperinciMETODOLOGI PENELITIAN
7 terboboti dari daerah output fuzzy. Metode ini paling dikenal dan sangat luas dipergunakan. First of Maxima (FoM) dan Last of Maxima (LoM) Pada First of Maxima (FoM), defuzzifikasi B( y) didefinisikan
Lebih 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 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 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 terperinciFuzzy Expert Sistem. Departemen Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Pertanian Bogor 2015
Fuzzy Expert Sistem Departemen Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Pertanian Bogor 2015 Ketentuan Praktikum Lembar Kerja Praktikum ini dibuat sebagai panduan bagi mahasiswa
Lebih 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 III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1. Metode Pengumpulan Data Dalam penelitian diagnosa penyakit asma dengan menggunakan metode fuzzy Tsukamoto, dibutuhkan data mengenai gejala penyakit dari seorang pakar atau
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA Bab ini berisi tentang pemahaman dari logika fuzzy dan data mining. Pada bab ini juga akan dijelaskan bagian-bagian yang perlu diketahui dalam logika fuzzy dan data mining, sehingga
Lebih terperinciFUZZY SYSTEM & FUZZY REASONING DEPARTEMEN ILMU KOMPUTER IPB
FUZZY SYSTEM & FUZZY REASONING Workshop on Fundamental Concept and Implementation of Fuzzy Logic March 17 th 2016 Net Centric Computing Lab DEPARTEMEN ILMU KOMPUTER IPB Outline Crips VS Fuzzy Pengembangan
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 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 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 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 terperinciSPK PENENTUAN TINGKAT KEPUASAN KONSUMEN PADA RESTORAN XYZ
SPK PENENTUAN TINGKAT KEPUASAN KONSUMEN PADA RESTORAN XYZ P.A Teknik Informatika Universitas Ahmad Dahlan Yogyakarta Kampus 3 UAD, Jl. Prof. Soepomo rochmahdyah@yahoo.com Abstrak Perkembangan teknologi
Lebih terperinciBAB II KAJIAN PUSTAKA. 1. Pengertian Penyakit Jantung Koroner (Coronary Heart Disease) jaringan pembuluh lebih kecil yang efisien (Iman, 2001:13).
BAB II KAJIAN PUSTAKA A. Penyakit Jantung Koroner 1. Pengertian Penyakit Jantung Koroner (Coronary Heart Disease) Penyakit Jatung Koroner (PJK) adalah suatu kelainan yang disebabkan oleh penyempitan atau
Lebih terperinciPENENTUAN TINGKAT PELUNASAN PEMBAYARAN KREDIT PEMILIKAN MOBIL DI PT AUTO 2000 MENGGUNAKAN FUZZY MAMDANI
PENENTUAN TINGKAT PELUNASAN PEMBAYARAN KREDIT PEMILIKAN MOBIL DI PT AUTO 2000 MENGGUNAKAN FUZZY MAMDANI Hilda Lutfiah, Amar Sumarsa 2, dan Sri Setyaningsih 2. Program Studi Matematika Fakultas Matematika
Lebih 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 terperinciSIDANG TUGAS AKHIR IMPLEMENTASI FUZZY RULES UNTUK PERENCANAAN DAN PENENTUAN PRIORITAS DI PDAM KOTA SURABAYA. oleh: WINDA ZULVINA
SIDANG TUGAS AKHIR IMPLEMENTASI FUZZY RULES UNTUK PERENCANAAN DAN PENENTUAN PRIORITAS PEMELIHARAAN PERALATAN PRODUKSI DI PDAM KOTA SURABAYA oleh: WINDA ZULVINA 5206100040 Dosen Pembimbing : Mahendrawathi
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 terperinciContoh Kasus. Bagus Ilhami HIdayat
Contoh Kasus Suatu perusahaan tekstil akan memproduksi pakaian dengan jenis XYZ. Dari 1 bulan terakhir, permintaan terbesar mencapai 5000 potong per hari, dan permintaan terkecil mencapai 1000 potong per
Lebih 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 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 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 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 terperinciHimpunan Tegas (Crisp)
Logika Fuzzy Logika Fuzzy Suatu cara untuk merepresentasikan dan menangani masalah ketidakpastian (keraguan, ketidaktepatan, kekuranglengkapan informasi, dan kebenaran yang bersifat sebagian). Fuzzy System
Lebih 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 terperinciSIDANG TESIS. Oleh : Enny Rohmawati Malik. Dosen Pembimbing : Dr. Imam Mukhlash,S.Si,M.T
SIDANG TESIS APLIKASI SISTEM INFERENSI FUZZY DAN METODE REGRESI UNTUK MENGETAHUI FAKTOR FAKTOR YANG MEMPENGARUHI KINERJA KEUANGAN PERBANKAN (Studi Kasus Bank di Indonesia Periode 2005-2009) Dosen Pembimbing
Lebih terperinciLogika Himpunan Fuzzy
Logika Himpunan Fuzzy 1 Fungsi Keanggotaan untuk crisp logic True False 1 0 80F Panas Temperature f temperature >= 25C, Panas (1 atau Benar); f temperature < 25C, tidak Panas (0 atau Salah). Fungsi keanggotaan
Lebih 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 terperinciMODUL 8 APLIKASI NEURAL NETWORK DAN FUZZY LOGIC PADA PERKIRAAN CUACA
MODUL 8 APLIKASI NEURAL NETWORK DAN FUZZY LOGIC PADA PERKIRAAN CUACA Muhammad Ilham 10211078 Program Studi Fisika, Institut Teknologi Bandung, Indonesia Email: muhammad_ilham@students.itb.ac.id Asisten:
Lebih terperinciBAB I PENDAHULUAN. mematikan bagi wanita baik di negara maju maupun negara berkembang. Pada
BAB I PENDAHULUAN A. Latar Belakang Kanker serviks atau kanker leher rahim merupakan salah satu penyakit yang mematikan bagi wanita baik di negara maju maupun negara berkembang. Pada tahun 2016, American
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 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 terperinciBAB IV HASIL DAN PEMBAHASAN
20 BAB IV HASIL DAN PEMBAHASAN A. Hasil Penelitian 1. Analisis Permasalahan Penjurusan di SMA dilakukan pada saat siswa berada di kelas X (sepuluh) dan akan naik ke kelas XI (sebelas). Masalah yang sering
Lebih terperinciAnalisis Perbandingan Algoritma Logika Fuzzy Model Sugeno dan Mamdani untuk Pengukuran Kualitas Kolam Air Renang Berbasis Mikrokontroller
Analisis Perbandingan Algoritma Logika Fuzzy Model Sugeno dan Mamdani untuk Pengukuran Kualitas Kolam Air Renang Berbasis Mikrokontroller Unang Sunarya Fakultas Ilmu Terapan, Telkom University, Bandung
Lebih terperinciBAB II: TINJAUAN PUSTAKA
BAB II: TINJAUAN PUSTAKA Bab ini akan memberikan penjelasan awal mengenai konsep logika fuzzy beserta pengenalan sistem inferensi fuzzy secara umum. 2.1 LOGIKA FUZZY Konsep mengenai logika fuzzy diawali
Lebih 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 terperinciDAFTAR ISI. HALAMAN JUDUL... i. HALAMAN PENGESAHAN... ii. HALAMAN PERNYATAAN... iii. KATA PENGANTAR... iv. MOTO DAN PERSEMBAHAN... v. DAFTAR ISI...
DAFTAR ISI HALAMAN JUDUL... i HALAMAN PENGESAHAN... ii HALAMAN PERNYATAAN... iii KATA PENGANTAR... iv MOTO DAN PERSEMBAHAN... v DAFTAR ISI... vi DAFTAR GAMBAR... viii DAFTAR TABEL... x ABSTRAK... xi ABSTRACT...
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI A. Kelapa Sawit Kelapa sawit adalah tumbuhan industri/ perkebunan yang berguna sebagai penghasil minyak masak, minyak industri, maupun bahan bakar. Pohon Kelapa Sawit terdiri dari
Lebih 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 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 III LANDASAN TEORI
BAB III LANDASAN TEORI Bab ini akan memaparkan berbagai teori yang melandasi penulis dalam membangun sistem yang nantinya akan dibuat. 3.1. Pengertian Optimalisasi Secara umum pengertian optimalisasi menurut
Lebih terperinci1.1. Latar Belakang Masalah
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Salah satu aplikasi sistem cerdas yang paling sukses dan masih berkembang saat ini yaitu peramalan beban listrik. Peramalan beban listrik adalah suatu ilmu
Lebih terperinciPENGGUNAAN SISTEM INFERENSI FUZZY UNTUK PENENTUAN JURUSAN DI SMA NEGERI 1 BIREUEN
Saintia Matematika Vol. 1, No. 3 (2013), pp. 233 247. PENGGUNAAN SISTEM INFERENSI FUZZY UNTUK PENENTUAN JURUSAN DI SMA NEGERI 1 BIREUEN Zati Azmiana, Faigiziduhu Bu ulolo, dan Partano Siagian Abstrak.
Lebih terperinciAPLIKASI FUZZY INFERENCE SYSTEM (FIS) METODE SUGENO DALAM MENENTUKAN KEBUTUHAN ENERGI DAN PROTEIN PADA BALITA
APLIKASI FUZZY INFERENCE SYSTEM (FIS) METODE SUGENO DALAM MENENTUKAN KEBUTUHAN ENERGI DAN PROTEIN PADA BALITA Rosida Wachdani, Zainal Abidin, M. Ainul Yaqin Program Studi Teknik Informatika, Fakultas Sains
Lebih terperinciMetode Fuzzy. Analisis Keputusan TIP FTP UB
Metode Fuzzy Analisis Keputusan TIP FTP UB Pokok Bahasan Pendahuluan Logika Klasik dan Proposisi Himpunan Fuzzy Logika Fuzzy Operasi Fuzzy Contoh Pendahuluan Penggunaan istilah samar yang bersifat kualitatif
Lebih 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 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 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 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 terperinciAda 5 GUI tools yang dapat dipergunakan untuk membangun, mengedit, dan mengobservasi sistem penalaran, yaitu :
BAB V FUZZY LOGIC MATLAB TOOLBOX Agar dapat mengunakan fungsi-fungsi logika fuzzy yang ada paad Matlab, maka harus diinstallkan terlebih dahulu TOOLBOX FUZZY. Toolbox. Fuzzy Logic Toolbox adalah fasilitas
Lebih terperinciJOBSHEET SISTEM CERDAS REASONING 2. Fuzzifikasi
JOBSHEET SISTEM CERDAS REASONING 2 Fuzzifikasi S1 PENDIDIKAN TEKNIK ELEKTRO JURUSAN TEKNIK ELEKTRO FAKULTAS TEKNIK UNIVERSITAS NEGERI MALANG 2016 PRAKTIKUM SISTEM CERDAS - REASONING JOBSHEET 2 - FUZZIFIKASI
Lebih terperinciBAB II TINJAUAN PUSTAKA
4 BAB II TINJAUAN PUSTAKA A. Penjurusan di SMA Sepanjang perkembangan Pendidikan formal di Indonesia teramati bahwa penjurusan di SMA telah dilaksanakan sejak awal kemerdekaan yaitu tahun 1945 sampai sekarang,
Lebih terperinciBAB II 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 terperinciPENDAHULUAN A. LATAR BELAKANG MASALAH
PENDAHULUAN A. LATAR BELAKANG MASALAH Dalam pelaksanaan pembelajaran selalu ditemui evaluasi-evaluasi untuk menguji tingkat pemahaman terhadap suatu bahan yang dipelajari. Evaluasi-evaluasi ini tidak boleh
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 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 terperinciBAB III PEMBAHASAN. FRBFNN, Arsitektur FRBFNN, aplikasi FRBFNN untuk meramalkan kebutuhan
BAB III PEMBAHASAN Pada bab ini berisi mengenai FRBFNN, prosedur pembentukan model FRBFNN, Arsitektur FRBFNN, aplikasi FRBFNN untuk meramalkan kebutuhan listrik di D.I Yogyakarta. A. Radial Basis Function
Lebih terperinciLOGIKA FUZZY MENGGUNAKAN MATLAB
LOGIKA FUZZY MENGGUNAKAN MATLAB T.SUTOJO,Ssi,M.Kom 5.10 Fuzzy Logic Toolbox Matlab menyediakan fungsi-fungsi khusus untuk perhitungan logika Fuzzy dimulai dari perhitungan fungsi keanggotaan sampai dengan
Lebih terperinciLEMBAR PENGESAHAN PERNYATAAN ABSTRAK...
DAFTAR ISI LEMBAR PENGESAHAN PERNYATAAN ABSTRAK... i KATA PENGANTAR... ii UCAPAN TERIMA KASIH... iv DAFTAR ISI... vi DAFTAR TABEL... viii DAFTAR GAMBAR... ix DAFTAR SIMBOL... x BAB I PENDAHULUAN... 1 1.1
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
2 BAB 2 TINJAUAN PUSTAKA 2.1. Logika Fuzzy Logika fuzzy adalah suatu cara untuk memetakan suatu ruang masukan ke dalam suatu ruang keluaran. Logika fuzzy ditemukan oleh Prof.Lotfi A. Zadeh dari Universitas
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Logika Fuzzy Logika Fuzzy pertama kali dikembangkan oleh Lotfi A. Zadeh pada tahun1965. Teori ini banyak diterapkan di berbagai bidang, antara lain representasipikiran manusia
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN Deskripsi Data
BAB IV HASIL DAN PEMBAHASAN 4.. Deskripsi Data Pada penelitian ini data yang digunakan adalah data bulanan banyaknya wisatawan yang datang di kota Surakarta dari Januari 200 sampai Desember 204. Data banyaknya
Lebih terperinciSistem Pendukung Keputusan Untuk Menentukan Status Gizi Balita Menggunakan Metode Fuzzy Inferensi Sugeno (Berdasarkan Metode Antropometri)
Sistem Pendukung Keputusan Untuk Menentukan Status Gizi Balita Menggunakan Metode Fuzzy Inferensi Sugeno (Berdasarkan Metode Antropometri) Alfian Romadhon 1, Agus Sidiq Purnomo 2 1 Program Studi Sistem
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 II TINJAUAN PUSTAKA DAN DASAR TEORI. Dalam tinjauan pustaka dibawah ini terdapat 5 referensi dan 1 referensi dari
BAB II TINJAUAN PUSTAKA DAN DASAR TEORI 1.1 Tinjauan Pustaka Dalam tinjauan pustaka dibawah ini terdapat 5 referensi dan 1 referensi dari penulis sebagai berikut: Tabel 2.1 Perbandingan Metode Penelitian
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 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 terperinciBAB I PENDAHULUAN. perekonomian ke arah yang lebih terbuka antar negara. Perekonomian terbuka
BAB I PENDAHULUAN 1.1 Latar Belakang Globalisasi dalam bidang ekonomi, menyebabkan berkembangnya sistem perekonomian ke arah yang lebih terbuka antar negara. Perekonomian terbuka membawa suatu dampak ekonomis
Lebih terperinci: Pengantar Intelegensi Buatan. Worksheet 2 : Praktikum Fuzzy Logic menggunakan MATLAB
Worksheet 2 : Praktikum Fuzzy Logic menggunakan MATLAB Sumber : - Belajar Cepat Fuzzy Logic menggunakan MATLAB oleh Agus Naba, Penerbit ANDI - Slide bahan Kuliah IF4058 Topik Khusus IF oleh Rinaldi Munir,
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN DALAM MENENTUKAN BEASISWA BERPRESTASI MENGGUNAKAN METODE FUZZY (STUDI KASUS: INSTANSI XYZ)
SISTEM PENDUKUNG KEPUTUSAN DALAM MENENTUKAN BEASISWA BERPRESTASI MENGGUNAKAN METODE FUZZY (STUDI KASUS: INSTANSI XYZ) Dimas Wahyu Wibowo 1, Eka Larasati Amalia 2 1,2 Teknik Informatika, Politeknik Negeri
Lebih 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 terperinci