BAB 2 TINJAUAN PUSTAKA
|
|
- Liani Setiabudi
- 6 tahun lalu
- Tontonan:
Transkripsi
1 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 mempermudah dalam pemahaman, perhitungan, serta mengetahui hubungan diantara logika fuzzy dan data mining. 2.1 Logika Fuzzy Logika fuzzy adalah konsep yang tepat untuk menangani masalah nonlinear, waktu yang beravariasi dan sistem adaptif. Logika fuzzy ini memungkinkan penggunaan nilai-nilai linguistik dari variabel dan hubungan tidak tepat untuk perilaku sistem modeling. Logika fuzzy sering digunakan pada sistem cerdas dalam memilah proses untuk mendeteksi cacat dalam penerapannya (Hosseinzadeh, et al. 2011). Salah satu aplikasi yang paling terkenal dari logika fuzzy adalah Fuzzy inference system (FIS). Ada tiga jenis dasar FIS yang telah banyak digunakan dalam berbagai aplikasi kontrol, yaitu FIS Mamdani, Sugeno, dan Tsukamoto. Perbedaan antara tiga FIS ini terletak pada konsekuen dari aturan fuzzy mereka, agregasi dan prosedur defuzzifikasi (Siddique, 2013). Ada beberapa alasan mengapa orang menggunakan logika fuzzy, antar lain (Kusumadewi, 2010) : 1. Konsep logika fuzzy mudah dimengerti. Konsep matematis yang mendasari penalaran fuzzy sangat sederhana dan mudah dimengerti. 2. Logika fuzzy sangat fleksibel. 3. Logika fuzzy memiliki toleransi terhadap data-data yang tidak tepat. 4. Logika fuzzy mampu memodelkan fungsi-fungsi nonlinier yang sangat kompleks. 5. Logika fuzzy dapat membangun dan mengaplikasikan pengalamanpengalaman para pakar secara langsung tanpa harus melalui proses pelatihan.
2 6 6. Logika fuzzy dapat bekerjasama dengan teknik-teknik kendali secara konvensional. 7. Logika fuzzy didasarkan pada bahasa alami. Struktur dasar dari perhitungan logika fuzzy adalah sebagai berikut (Anikin & Zinoviev, 2015): 1. fuzzificator, yang mengubah masukan crisp (tegas) menjadi masukan fuzzy, 2. basis pengetahuan dengan set fuzzy rule IF-THEN, masing-masing yang menghubungkan anteseden (sebab) dan konsekuen (akibat) dengan implikasi fuzzy, 3. Blok inferensi fuzzy yang didasarkan pada sistem inferensi fuzzy dan mengimplementasikan penalaran fuzzy, 4. defuzzificator yang mengkonversi keluaran fuzzy untuk output (keluaran) crisp. Ada beberapa tahap yang harus diketahui untuk menghitung nilai di dalam logika fuzzy, yaitu : 1. Fungsi keanggotaan 2. Fuzzifikasi 3. Operasi himpunan fuzzy 4. Defuzzifikasi Fungsi Keanggotaan Fungsi keanggotaan didefinisikan sebagai representasi grafis dari besarnya keikutsertaan setiap input (masukan). Fungsi keanggotaan ini menghubungkan bobot dengan masing-masing input yang diproses, mendefinisikan tumpang tindih di antara input, dan akhirnya menentukan respon output (keluaran). Aturan menggunakan nilai keanggotaan input sebagai faktor pembobotan untuk menentukan pengaruhnya terhadap set output fuzzy kesimpulan hasil akhir (Hosseinzadeh, et al. 2011). Jika fungsi keanggotaan tidak sesuai, maka hasil yang didapat akan jauh berbeda dari diharapkan. Fungsi keanggotaan ini merupakan tahap awal dan paling penting untuk menuju tahap fuzzifikasi. Fuzzifikasi merupakan tahap dimana nilai inputan yang berupa nilai crisp (tegas) diubah menjadi nilai fuzzy (Ross, 2010).
3 7 Ada beberapa fungsi keanggotaan yang direpresentasikan dalam bentuk kurva didalam logika fuzzy, diantaranya fungsi keanggotaan linear, segitiga, trapesium, dan lonceng (Kusumadewi, 2010). a. Representasi linear naik Pada representasi linear, pemetaan input ke derajat keanggotaannya digambarkan sebagai sebuah garis lurus. Representasi fungsi keanggotaan untuk linear naik adalah sebagai berikut : Gambar 2.1 : Representasi linear naik Fungsi keanggotaan representasi linear naik...(2.1) b. Representasi linear turun Reprensentasi ini merupakan kebalikan dari representasi linear naik. Garis lurus dimulai dari nilai domain dengan derajat keanggotaan tertinggi pada sisi kiri, kemudian bergerak menurun ke nilai domain yang memiliki derajat keanggotaan lebih rendah. Representasi fungsi keanggotaan untuk linear turun adalah sebagai berikut:
4 8 Gambar 2.2 Representasi linear turun Fungsi keanggotaan representasi linear turun...(2.2) c. Representasi kurva segitiga Reprensitasi kurva segitiga pada dasarnya merupakan gabungan antara linear naik dan linear turun. Representasi fungsi keanggotaan untuk kurva segitiga adalah sebagai berikut: Gambar 2.3 Representasi kurva segitiga Fungsi keanggotaan representasi kurva segitiga...(2.3)
5 9 d. Representasi kurva trapesium Reprensitasi kurva trapesium memiliki domain lebih luas dari representasi kurva segitiga. Representasi fungsi keanggotaan untuk kurva trapesium adalah sebagai berikut: Gambar 2.4 Representasi kurva trapesium Fungsi keanggotaan representasi kurva trapesium...(2.4) Fuzzifikasi Fuzzifikasi adalah proses mengubah bilangan crisp kedalam himpunan bilangan fuzzy berdasarkan range (jarak) untuk setiap variabel masukan. Dalam proses fuzzifikasi ini terdapat dua hal yang harus diperhatikan yaitu nilai masukan dan keluaran serta fungsi keanggotaan (Peranginangin, 2015) Operasi Himpunan Fuzzy Operasi himpunan fuzzy diperlukan untuk proses inferensi atau penalaran IF-THEN. Dalam hal ini yang dioperasikan adalah derajat keanggotaannya. Derajat keanggotaan operasi dua buah himpunan fuzzy disebut sebagai fire strength atau α predikat. Misalkan A dan B merupakan dua set di alam semesta X, gabungan diantara dua set A dan B dilambangkan dengan. Set mewakili semua unsur di alam semsesta milik set A, set B, atau milik keduanya set A dan B. operasi ini sering disebut juga Union atau logika OR. Operasi lain yang juga termasuk dalam operasi
6 10 logika fuzzy adalah Intersection (ekslusif OR) dan Complement. Ketiga operasi tersebut akan dijelaskan sebagai berikut (Ross, 2010) : 1. Operasi gabungan (Union) Operasi gabungan (sering disebut operator OR) dari himpunan fuzzy A dan B dilambangkan dengan. Dalam sistem fuzzy, operasi gabungan disebut sebagai Max. Operasi Max ditulis dengan persamaan berikut:,.....(2.5) Derajat keanggotaan setiap unsur himpunan fuzzy adalah derajat keanggotaannya pada himpunan fuzzy A atau B yang memiliki nilai terbesar. Gambar 2.5 Gabungan set A dan set B (Logika OR) 2. Operasi Irisan (Intersection) Operasi irisan (sering disebut operator AND) dari himpunan fuzzy A dan B dinyatakan sebagai. Dalam sistem logika fuzzy, operasi irisan disebut sebagai Min. Operasi Min ditulis dengan persamaan berikut :,.....(2.6) Derajat keanggotaan setiap unsur himpunan fuzzy adalah derajat keanggotaan pada himpunan fuzzy A dan B yang memiliki nilai terkecil.
7 11 Gambar 2.6 Irisan dari set A dan set B (Logika AND) 3. Operator Complement Bila himpunan fuzzy A pada himpunan universal X mempunyai fungsi keanggotaan µ A (x) maka komplemen dari himpunan fuzzy A (sering disebut NOT) adalah himpunan fuzzy A c dengan fungsi keanggotaan untuk setiap x elemen X. µ A C (X) =1-µ A (x)... (2.7) Gambar 2.7 Complement set A Rule IF-THEN Kebanyakan pengambilan keputusan yang dibuat manusia disajikan dalam bentuk rule (aturan) Jika-Maka atau IF-THEN. Ada empat bentuk rule dalam logika klasik, diataranya modus ponen, modus tolen, modus ponen tolen, dan modus tolen ponen. Sebagai contoh pengemudi yang menentukan arah kemudi menuju target didepannya, namun ada kendala yang dimiliki. Cara mengatasi kendala tersebut menggunakan keempat modus logika klasik. Contohnya sebagai berikut (Lilly, 2011) : 1. JIKA arah target kedepan, MAKA arah kemudi lurus (modus ponen),
8 12 2. JIKA ada kendala didepan, MAKA arah kemudi tidak lurus (modus ponen tolen), 3. JIKA tidak ada kendala didepan, MAKA arah kemudi lurus (modus tolen ponen), 4. JIKA arah target bukan kedepan, MAKA arah kemudi tidak lurus (modus tolen). Dalam pernyataan 1, rekomendasi untuk mengarahkan langsung ditegaskan dengan menegaskan bahwa target adalah depan. Dalam pernyataan 2, rekomendasi untuk mengarahkan langsung ditolak dengan menegaskan bahwa ada hambatan di depan. Dalam pernyataan 3, rekomendasi untuk mengarahkan langsung ditegaskan dengan menyangkal bahwa kendala yang berada di depan. Dalam pernyataan 4, rekomendasi untuk mengarahkan langsung ditolak dengan menyangkal bahwa target adalah depan. Tentu saja, satu set lengkap aturan untuk kemudi untuk target di hadapan rintangan akan membutuhkan aturan lebih daripada di atas. Semua mode penalaran ini dapat diimplementasikan dengan logika fuzzy (Brason & Lilly, 2001). Sebagian besar aturan Jika-Maka yang digunakan dalam kontrol fuzzy dan identifikasi adalah dalam bentuk modus ponen. Contoh dari aturan Jika-Maka menggunakan modus ponen diterapkan pada saat menghentikan mobil adalah sebagai berikut: "Jika SPEED adalah CEPAT maka TEKAN REM KUAT. Dalam aturan ini, SPEED adalah premis dari SPEED, sedangkan TEKAN REM KUAT adalah konsekuen. CEPAT adalah input variabel linguistik, CEPAT adalah nilai linguistik dari SPEED dan merupakan himpunan fuzzy pada SPEED semesta, TEKAN REM adalah output variabel linguistik, dan KUAT adalah nilai linguistik dari TEKAN REM dan merupakan himpunan fuzzy pada TEKAN REM semesta (Lilly, 2011) Defuzzifikasi Defuzzifikasi adalah proses mengubah nilai fuzzy kedalam nilai crisp. Proses defuzzifikasi merupakan kebalikan metode fuzzifikasi, yaitu mengubah nilai crisp kedalam nilai fuzzy (Ross, 2010). Terdapat beberapa metode defuzzifikasi yang sering digunakan, diantaranya adalah sebagai berikut :
9 13 1. Metode keanggotaan Max : dikenal juga dengan metode height, yaitu mencari nilai z melalui nilai keanggotaan terbesar. Rumus aljabar dari metode keanggotaan Max sebagai berikut :,, Dimana adalah nilai defuzzifikasi, grafiknya seperti pada Gambar 2.8 Gambar 2.8 Grafik metode defuzzifikasi keanggotaan Max 2. Metode centroid : metode ini disebut juga dengan metode terpusat atau Center of Grafity (COG). Rumus aljabar dari metode centroid adalah sebagai berikut :. (2.8) Dimana menunjukkan integrasi aljabar, grafiknya seperti pada Gambar 2.9 Gambar 2.9 Grafik metode defuzzifikasi centroid 3. Metode Weighted Average (WA) : metode Weinghted Average sering disebut juga dengan metode rata-rata terbobot. Metode ini merupakan metode yang paling sering digunakan dalam aplikasi fuzzy karena merupakan salah satu metode yang lebih efisien secara komputasi. Rumus aljabarnya adalah sebagai berikut:....(2.9)
10 14 Dimana menunjukkan jumlah aljabar dan centroid dari masing-masing fungsi keanggotaan simetris. Sebagai contoh, dua fungsi yang ditunjukkan pada Gambar 2.10 Gambar 2.10 Grafik defuzzifikasi metode weighted average akan menghasilkan bentuk umum sebagai berikut :,,,, (2.10) Metode Sugeno Metode Sugeno diperkenalkan oleh Takagi-Sugeno Kang pada tahun Metode Sugeno ini merupakan metode fuzzy yang telah terbukti efektif ketika berhadapan dengan sistem nonlinear yang kompleks, yang sangat sulit untuk analisis dan sintesis (Su, et al. 2013). Pada metode Sugeno, setiap output (konsekuen) terbentuk dari aturan IF-THEN tidak berupa himpunan fuzzy, melainkan konstanta atau persamaan linear. Terdapat dua model fuzzy metode Sugeno, yaitu (Kusumadewi, 2010): 1. Model Fuzzy Sugeno Orde-Nol Secara umum bentuk fuzzy Sugeno adalah sebagai berikut : Dengan adalah himpunan fuzzy ke-i sebagai anteseden dan adalah suatu konstanta sebagai konsekuen. 2. Model Fuzzy Sugeno Orde-Satu Secara umum bentuk fuzzy Sugeno adalah sebagai berikut :
11 15 Dengan adalah himpunan fuzzy ke-i sebagai anteseden dan adalah suatu konstanta (tegas) ke-i dan juga merupakan konstanta dalam konsekuen. Model yang sering digunakan dalam pembentukan aturan IF-THEN Sugeno adalah model fuzzy Sugeno Orde-Nol. Untuk proses defuzzifikasi, metode Sugeno menggunakan Weight Average (WA) dengan rumus sebagi berikut : = (2.11) 2.2 Data Mining Menurut Aggarwal (2015), Data mining adalah studi tentang pengumpulan, pembersihan, pengolahan, analisis, dan memperoleh wawasan yang berguna dari data. Data mining juga digunakan untuk menggambarkan aspek-aspek yang berbeda dari pengolahan data. Alur kerja aplikasi data mining berisi tahap-tahap berikut : 1. Pengumpulan data Pengumpulan data mungkin memerlukan penggunaan hardware khusus seperti jaringan sensor, tenaga kerja manual seperti kumpulan survei pengguna, atau perangkat lunak seperti mesin pencarian dokumen Web untuk mengumpulkan dokumen. Tahap ini sangat penting karena pilihan yang baik pada tahap ini secara signifikan dapat mempengaruhi proses data mining. Setelah tahap pengumpulan, data disimpan dalam database atau gudang data untuk diproses. 2. Ekstraksi fitur dan pembersihan data Ketika data dikumpulkan, data tersebut sering tidak dalam bentuk yang cocok untuk pengolahan. Misalnya, data dapat dikodekan dalam log kompleks atau dokumen bentuk bebas. Dalam banyak kasus, jenis data yang berbeda dapat dicampur bersama dalam dokumen bentuk bebas. Untuk membuat data yang sesuai untuk pengolahan merupakan hal penting dalam fitur ekstraksi, yaitu dengan mengubah data menjadi format yang mudah untuk algoritma data mining. contohnya seperti multidimensi, time series, atau format semi terstruktur. Format multidimensi adalah salah satu yang paling umum, di mana berbagai bidang data sesuai dengan sifat yang diukur berbeda yang disebut sebagai fitur, atribut, atau dimensi. Hal ini penting untuk mengekstrak fitur yang relevan untuk proses
12 16 penambangan. Tahap ekstraksi fitur sering dilakukan secara paralel dengan data pembersihan, yaitu data yang hilang dan bagian yang salah dari data dapat diperkirakan atau diperbaiki. Dalam banyak kasus, data dapat diekstraksi dari berbagai sumber dan perlu diintegrasikan ke dalam format terpadu untuk diproses. Hasil akhir dari prosedur ini adalah kumpulan data terstruktur, yang dapat secara efektif digunakan oleh program komputer. Setelah tahap ekstraksi fitur, data dapat disimpan kembali didalam database untuk diproses. 3. Proses analisis (tidak berdasarkan pandangan) dan algoritma Bagian akhir dari proses data mining adalah untuk merancang metode analisis yang efektif dari data yang diolah. Gambar 2.11 Alur pengolahan data Data mining dibagi menjadi beberapa kelompok berdasarkan tugas yang dapat dilakukan, yaitu (Larose, 2014): 1. Deskripsi 2. Estimasi 3. Prediksi 4. Klasifikasi 5. Clustering 6. Asosiasi Klasifikasi Klasifikasi adalah salah satu tugas mendasar dalam data mining dan juga telah dipelajari secara luas dalam statistik, pembelajaran mesin, jaringan saraf dan sistem pakar selama beberapa dekade. Input untuk klasifikasi adalah satu set data pelatihan dimana setiap record memiliki beberapa atribut. Atribut dengan domain diskrit
13 17 disebut sebagai kategori, sementara atribut dengan domain kontinu disebut sebagai numerik. Klasifikasi memiliki dua Tahap, yang pertama adalah tahap pelatihan dan yang kedua tahap pengujian (Lavanya & Rani, 2011). Dalam klasifikasi, variabel target yang berupa data kategoris seperti klasifikasi pendapatan penghasilan misalnya, dibagi menjadi tiga kelas atau kategori : berpenghasilan tinggi, menengah, dan berpenghasilan rendah. Misalkan peneliti ingin mendapatkan pendapatan penghasilan dari individu baru yang tidak ada didalam database. Berdasarkan karakteristik yang terdapat dalam individu tersebut seperti usia, jenis kelamin, dan jabatan, maka akan digunakan metode klasifikasi. Tahap pertama yang dilakukan adalah memeriksa kumpulan data didalam database yang mengandung variabel prediksi. Kumpulan data ini disebut data pelatihan, sehingga dari data pelatihan didapatlah kategori dari individu baru tersebut. Oleh sebab itu, metode klasifikasi disebut juga model pembelajaran diawasi atau supervised learning (Lavanya, 2011 Larose, 2014) Decission Tree Decission tree atau pohon keputusan adalah salah satu metode yang paling populer untuk klasifikasi dalam berbagai aplikasi data mining dan membantu proses pengambilan keputusan (Dai & Ji, 2014). Pohon keputusan dibangun dari kumpulan node keputusan, dihubungkan dengan cabang, memperluas ke bawah dari node akar sampai berakhir di node daun. Dimulai pada simpul akar, yang menurut ketentuan ditempatkan di bagian atas diagram pohon keputusan, atribut diuji pada node keputusan, dengan masing-masing hasil yang menghasilkan cabang. Setiap cabang kemudian mengarah baik ke node keputusan lain. Salah satu keuntungan yang paling signifikan dari decission tree adalah kenyataan bahwa pengetahuan dapat diekstraksi dan direpresentasikan dalam bentuk klasifikasi aturan IF-THEN. Setiap aturan merupakan jalur yang unik dari akar ke daun masing-masing (Agrawal, 2013 Larose, 2014). Klasifikasi decission tree dipilih karena menyediakan aturan klasifikasi yang seperti penalaran manusia, mudah untuk dipahami oleh pengguna akhir (end user), pembuatan decission tree cepat, dapat menangani berbagai input data diantaranya: data nominal, numerik dan tekstual, mampu memproses dataset (kumpulan data) yang salah atau nilai-nilai yang hilang, dan akurasi hasil yang lebih baik (Lavanya, 2011 Bhargava, 2013). Tujuan utama dari decision tree adalah menciptakan model yang
14 18 memprediksi nilai variabel target dengan belajar aturan (rule) keputusan yang disimpulkan dari fitur data. Ada beberapa algoritma decision tree, diantaranya ID3, C4.5, dan CART (Kadi & Idri, 2015). Pada decision tree terdapat 3 jenis node, yaitu (Larose, 2014): 1. Root Node (simpul akar), merupakan node paling atas, pada node ini tidak ada input dan bisa tidak mempunyai output atau mempunyai output lebih dari satu. 2. Internal Node, merupakan node percabangan, pada node ini hanya terdapat satu input dan mempunyai output minimal dua. 3. Leaf node atau terminal node, merupakan node akhir, pada node ini hanya terdapat satu input dan tidak mempunyai output Klasifikasi Basis-Aturan (IF-THEN) Pengklasifikasian berbasis aturan menggunakan satu set "IF-THEN (jika-maka)" aturan R = {R1... Rm} untuk mencocokkan anteseden untuk konsekuen. Aturan biasanya dinyatakan dalam bentuk berikut: JIKA Kondisi MAKA Kesimpulan Kondisi di sisi kiri dari aturan, juga disebut sebagai anteseden, mungkin berisi berbagai operator logika, seperti <,,>, =,, atau, yang diterapkan pada variabel fitur. Sisi kanan dari aturan disebut sebagai konsekuen, dan berisi variabel kelas. Oleh karena itu, aturan adalah dari bentuk c dimana adalah anteseden, dan c adalah variabel kelas. simbol " " menunjukkan "THEN" kondisi. Aturan yang dihasilkan didapat dari data pelatihan selama fase pelatihan. Notasi merupakan prasyarat pada set fitur. Aturan-aturan ini kemudian digunakan untuk mengklasifikasikan contoh uji. Aturan dikatakan tepat ketika kondisi data uji cocok dengan contoh pelatihan (Aggarwal, 2015) Algoritma C4.5 Menurut Kadi & Idri (2015) Algoritma C4.5 adalah salah satu algoritma decision tree yang terkenal karena efisiensi dan fitur yang lengkap. Algoritma C4.5 merupakan pengembangan dari algoritma ID3 untuk menghasilkan pohon keputusan. Algoritma C4.5 bekerja secara rekursif mengunjungi setiap node keputusan, memilih split (pembagian) optimal, sampai tidak ada perpecahan lebih lanjut yang mungkin.
15 19 Algoritma C4.5 menggunakan konsep information gain atau pengurangan entropi untuk memilih pembagian optimal (Larose, 2014). Tahapan dalam membuat sebuah pohon keputusan dengan algoritma C4.5 adalah (Gorunescu, 2011) : 1. histori yang pernah terjadi sebelumnya dan sudah dikelompokkan dalam kelaskelas tertentu. 2. Menentukan akar dari pohon dengan menghitung nilai gain yang tertinggi dari masing-masing atribut atau berdasarkan nilai indeks entropi terendah. Sebelumnya dihitung terlebih dahulu nilai indeks entropi. Untuk memilih attribut sebagai akar, didasarkan pada nilai gain tertinggi dari atribut-atribut yang ada. Untuk menghitung gain digunakan rumus sebagai berikut : (Kusrini, 2009), = ( )...(2.12) Keterangan : S = himpunan kasus A = atribut n = jumlah partisi atribut A S i = jumlah kasus pada partisi ke-i S = jumlah kasus dalam S Keterangan : S = himpunan kasus A = fitur n = jumlah partisi = perbandingan dari S i terhadap S p i =...(2.13)
BAB 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 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 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 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 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 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 terperinciErwien Tjipta Wijaya, ST.,M.Kom
Erwien Tjipta Wijaya, ST.,M.Kom PENDAHULUAN Logika Fuzzy pertama kali dikenalkan oleh Prof. Lotfi A. Zadeh tahun 1965 Dasar Logika Fuzzy adalah teori himpunan fuzzy. Teori himpunan fuzzy adalah peranan
Lebih terperinciBAB II LANDASAN TEORI. Dalam kondisi yang nyata, beberapa aspek dalam dunia nyata selalu atau biasanya
BAB II LANDASAN TEORI A. Logika Fuzzy Dalam kondisi yang nyata, beberapa aspek dalam dunia nyata selalu atau biasanya berada di luar model matematis dan bersifat inexact. Konsep ketidakpastian inilah yang
Lebih terperinciBAB 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 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 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 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 FUZZY MAMDANI
29 BAB III METODE FUZZY MAMDANI Fuzzy Inference System merupakan sebuah kerangka kerja perhitungan berdasarkan konsep teori himpunan fuzzy dan pemikiran fuzzy yang digunakan dalam penarikan kesimpulan
Lebih terperinciBAB 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 terperinciFUZZY MULTI-CRITERIA DECISION MAKING
Media Informatika, Vol. 3 No. 1, Juni 2005, 25-38 ISSN: 0854-4743 FUZZY MULTI-CRITERIA DECISION MAKING Sri Kusumadewi, Idham Guswaludin Jurusan Teknik Informatika, Fakultas Teknologi Industri, Universitas
Lebih terperinciKECERDASAN BUATAN (Artificial Intelligence) Materi 8. Entin Martiana
Logika Fuzzy KECERDASAN BUATAN (Artificial Intelligence) Materi 8 Entin Martiana 1 Kasus fuzzy dalam kehidupan sehari-hari Tinggi badan saya: Andi menilai bahwa tinggi badan saya termasuk tinggi Nina menilai
Lebih 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 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 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Permintaan, Persediaan dan Produksi 2.1.1 Permintaan Permintaan adalah banyaknya jumlah barang yang diminta pada suatu pasar tertentu dengan tingkat harga tertentu pada tingkat
Lebih terperinciBAB 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 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 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 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 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 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 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 terperinciLogika fuzzy pertama kali dikembangkan oleh Lotfi A. Zadeh melalui tulisannya pada tahun 1965 tentang teori himpunan fuzzy.
LOGIKA FUZZY UTHIE Intro Pendahuluan Logika fuzzy pertama kali dikembangkan oleh Lotfi A. Zadeh melalui tulisannya pada tahun 1965 tentang teori himpunan fuzzy. Lotfi Asker Zadeh adalah seorang ilmuwan
Lebih terperinciBAB II 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 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 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 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 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 terperinciPenerapan FuzzyTsukamotodalam Menentukan Jumlah Produksi
Penerapan FuzzyTsukamotodalam Menentukan Jumlah Produksi Berdasarkan Data Persediaan dan Jumlah Permintaan Ria Rahmadita Surbakti 1), Marlina Setia Sinaga 2) Jurusan Matematika FMIPA UNIMED riarahmadita@gmail.com
Lebih terperinciBAB 2 LANDASAN TEORI 2.1 Konsep Dasar Sistem Definisi Sistem
BAB 2 LANDASAN TEORI 2.1 Konsep Dasar Sistem 2.1.1 Definisi Sistem Menurut Mustakini (2009:34), Sistem dapat didefinisikan dengan pendekatan prosedur dan pendekatan komponen, sistem dapat didefinisikan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Sistem Pendukung Keputusan Sistem Pendukung Keputusan dapat diartikan sebagai sebuah sistem yang dimaksudkan untuk mendukung para pengambil keputusan dalam situasi tertentu. Sistem
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 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 terperinciAplikasi Prediksi Harga Bekas Sepeda Motor Yamaha. Menggunakan Fuzzy Logic
Aplikasi Prediksi Harga Bekas Sepeda Motor Yamaha Menggunakan Fuzzy Logic 1. Pendahuluan Jual beli motor merupakan suatu kegiatan transaksi yang mungkin sering kita temukan di kehidupan sehari-hari. Untuk
Lebih 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 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 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 terperinciMATERI KULIAH (PERTEMUAN 12,13) Lecturer : M. Miftakul Amin, M. Eng. Logika Fuzzy. Politeknik Negeri Sriwijaya Palembang
HIMPUNAN FUZZY MATERI KULIAH (PERTEMUAN 2,3) Lecturer : M. Miftakul Amin, M. Eng. Logika Fuzzy Jurusan Teknik Komputer Politeknik Negeri Sriwijaya Palembang Pokok Bahasan Sistem fuzzy Logika fuzzy Aplikasi
Lebih 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 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 terperinciPendapatan Masyarakat Disekitar Kampus dengan Adanya Mahasiswa Menggunakan Fuzzy
Pendapatan Masyarakat Disekitar Kampus dengan Adanya Mahasiswa Menggunakan Fuzzy Asrianda 1 Teknik Informatika Kampus Bukit Indah Lhokseumawe email : asrianda@unimal.ac.id ABSTRAK Bertambahnya permintaan
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 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Sistem Pendukung Keputusan (SPK) Konsep Sistem Pendukung Keputusan (SPK) pertama kali diungkapkan pada awal tahun 1970-an oleh Michael S. Scott Morton dengan istilah Management
Lebih terperinciPenerapan Logika Fuzzy
1 Penerapan Logika Fuzzy M. Faisal Baehaki - 13506108 1 Program Studi Teknik Informatika Sekolah Teknik Elektro dan Informatika Institut Teknologi Bandung, Jl. Ganesha 10 Bandung 40132, Indonesia 1 m_faisal_b@yahoo.com
Lebih terperinciBAB II TEORI PENUNJANG
BAB II TEORI PENUNJANG 2.1 LOGIKA FUZZY Titik awal dari konsep modern mengenai ketidakpastian adalah paper yang dibuat oleh Lofti A Zadeh, dimana Zadeh memperkenalkan teori yang memiliki obyek-obyek dari
Lebih 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 terperinciSimulasi Pengaturan Lalu Lintas Menggunakan Logika Fuzzy
Simulasi Pengaturan Lalu Lintas Menggunakan Logika Fuzzy Raka Yusuf 1, Andi Andriansyah 2, Febi Pratiwi 3 Jurusan Teknik Informatika, Fakultas Ilmu Komputer, Universitas Mercu Buana 1,3 Jurusan Teknik
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 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 terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1. Tinjauan Pustaka Penelitian dengan judul Pemodelan Untuk Menentukan Kecukupan Angka Gizi Ibu Hamil. Penentuan status kecukupan angka gizi ibu hamil dilakukan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Persediaan 2.1.1 Pengertian Persediaan Persediaan adalah bahan atau barang yang disimpan yang akan digunakan untuk digunakan memenuhi tujuan tertentu, misalnya untuk proses produksi
Lebih terperinciBAB II LANDASAN TEORI. Pada bab ini akan dibahas mengenai teori-teori yang akan digunakan untuk menunjang dalam proses pembuatan tugas akhir ini.
BAB II LANDASAN TEORI Pada bab ini akan dibahas mengenai teori-teori yang akan digunakan untuk menunjang dalam proses pembuatan tugas akhir ini. 2.1 CLUSTERING Clustering adalah proses pengelompokkan suatu
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Komponen Mobil Mesin terdiri atas beberapa bagian yang memiliki fungsinya masingmaning. Bagian-bagian atau komponen-komponen tersebut bekerja bersama-sama untuk menghasilkan
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 terperinciBAB II. KAJIAN PUSTAKA. A. Kinerja Pegawai di Universitas Muhammadiyah Purwokerto
BAB II. KAJIAN PUSTAKA A. Kinerja Pegawai di Universitas Muhammadiyah Purwokerto Masalah kinerja pegawai di Universitas Muhammadiyah Purwokerto sangat mendapat perhatian. Hal ini dibuktikan dengan diadakannya
Lebih terperinciBAB I PENDAHULUAN. ada tiga, yaitu association rules, classification dan clustering.
BAB I PENDAHULUAN 1.1. Latar Belakang Data mining adalah serangkaian proses untuk menggali nilai tambah berupa informasi yang selama ini tidak diketahui secara manual dari suatu basis data. Informasi yang
Lebih terperinciMENENTUKAN HARGA MOBIL BEKAS TOYOTA AVANZA MENGGUNAKAN METODE TSUKAMOTO
MENENTUKAN HARGA MOBIL BEKAS TOYOTA AVANZA MENGGUNAKAN METODE TSUKAMOTO Ganjar Ramadhan Jurusan Teknik Informatika, Universitas Islam Negeri Syarif Hidayatullah Jakarta Email : ganjar.ramadhan05@yahoo.com
Lebih 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 terperinciBAB 2 LANDASAN TEORI
8 BAB 2 LANDASAN TEORI 2.1 Pengertiaan Persediaan Persediaan adalah bahan atau barang yang disimpan yang akan digunakan untuk digunakan memenuhi tujuan tertentu, misalnya untuk proses produksi atau perakitan,
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Himpunan Himpunan adalah suatu kumpulan atau koleksi objek-objek yang mempunyai kesamaan sifat tertentu. Objek ini disebut elemen-elemen atau anggota-anggota dari himpunan (Frans
Lebih 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 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 terperinciSebelumnya... Penalaran pada Sistem Pakar. Ketidakpastian dalam Sistem Pakar. Contoh forward chaining & backward chaining
Sebelumnya... Penalaran pada Sistem Pakar Contoh forward chaining & backward chaining Ketidakpastian dalam Sistem Pakar Teori Peluang Teori Bayes Jaringan Bayes Faktor Kepastian Kecerdasan Buatan Pertemuan
Lebih 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 terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Permintaan 2.1.1 Pengertian Permintaan Permintaan adalah banyaknya jumlah barang yang diminta pada suatu pasar tertentu dengan tingkat harga tertentu pada tingkat pendapatan tertentu
Lebih 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 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
6 BAB 2 LANDASAN TEORI 2.1 Sistem Pendukung Keputusan Sistem Pendukung Keputusan (SPK) / Decision Support Sistem (DSS) adalah sistem komputer yang saling berhubungan dan menjadi alat bantu bagi seorang
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 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 terperinciBAB IV PEMBAHASAN. BAB IV berisi pembahasan tahapan penelitian, yaitu klasifikasi logika. A. Identifikasi Data Cadangan Hidrokarbon
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
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 II LANDASAN TEORI. Pada bab ini berisi tentang teori mengenai permasalahan yang akan dibahas
BAB II LANDASAN TEORI Pada bab ini berisi tentang teori mengenai permasalahan yang akan dibahas dalam pembuatan tugas akhir ini. Secara garis besar teori penjelasan akan dimulai dari definisi logika fuzzy,
Lebih terperinciPENERAPAN METODE FUZZY TSUKAMOTO UNTUK MEMPREDIKSI HASIL PRODUKSI KELAPA SAWIT (STUDI KASUS : PT. AMAL TANI PERKEBUNAN TANJUNG PUTRI BAHOROK)
PENERAPAN METODE FUZZY TSUKAMOTO UNTUK MEMPREDIKSI HASIL PRODUKSI KELAPA SAWIT (STUDI KASUS : PT. AMAL TANI PERKEBUNAN TANJUNG PUTRI BAHOROK) Andrian Juliansyah ( 1011287) Mahasiswa Program Studi Teknik
Lebih terperinciadalahkelompok profesi terbesar dan berperan vital dalam sistem tersebut yang menyebabkan ABSTRAK
1 Evaluasi Kinerja Pelayanan Perawat Menggunakan Fuzzy Inference System (FIS) Mamdani ( Studi Kasus : Puskesmas Bonang 1 Demak) ARIS MUTHOHAR Program Studi Teknik Informatika S1, Fakultas Ilmu Komputer,
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 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 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 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 terperinciLOGIKA FUZZY FUNGSI KEANGGOTAAN
LOGIKA FUZZY FUNGSI KEANGGOTAAN FUNGSI KEANGGOTAAN (Membership function) adalah suatu kurva yang menunjukkan pemetaan titik-titik input data ke dalam nilai/derajat keanggotaannya yang memiliki interval
Lebih terperinci3. METODE PENELITIAN 3.1 Kerangka Pemikiran
65 3. METODE PENELITIAN 3.1 Kerangka Pemikiran Permasalahan utama yang dihadapi industri gula nasional yaitu rendahnya kinerja khususnya produktivitas dan efisiensi pabrik gula. Untuk menyelesaikan permasalahan
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 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 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 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 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 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 terperinci: Sistem Pendukung Keputusan, Siswa berprestasi, Tsukamoto
SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN SISWA BERPRESTASI BERBASIS WEB DENGAN METODE TSUKAMOTO PADA SMA INSTITUT INDONESIA Eko Purwanto Program Studi Teknik Informatika, Fakultas Ilmu Komputer Universitas
Lebih terperinciBAB III PERANCANGAN Sistem Kontrol Robot. Gambar 3.1. Blok Diagram Sistem
BAB III PERANCANGAN Pada bab ini akan dijelaskan mengenai perancangan sistem yang meliputi sistem kontrol logika fuzzy, perancangan perangkat keras robot, dan perancangan perangkat lunak dalam pengimplementasian
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 terperinciANALISIS & DESAIN SISTEM FUZZY. Menggunakan TOOLBOX MATLAB
ANALISIS & DESAIN SISTEM FUZZY Menggunakan TOOLBOX MATLAB ANALISIS & DESAIN SISTEM FUZZY Menggunakan TOOLBOX MATLAB Sri Kusumadewi Analisis & Desain Sistem Fuzzy Menggunakan Toolbox Matlab Oleh: Sri Kusumadewi
Lebih terperinciNURAIDA, IRYANTO, DJAKARIA SEBAYANG
Saintia Matematika Vol. 1, No. 6 (2013), pp. 543 555. ANALISIS TINGKAT KEPUASAN KONSUMEN BERDASARKAN PELAYANAN, HARGA DAN KUALITAS MAKANAN MENGGUNAKAN FUZZY MAMDANI (Studi Kasus pada Restoran Cepat Saji
Lebih terperinciCi Crisp Logic. Crisp logic is concerned with absolutes-true or false, there is no in-between. Contoh:
Logika Fuzzy 1 Teori Dasar Ci Crisp Logic Crisp logic is concerned with absolutes-true or false, there is no in-between. Contoh: Rule: If the temperature is higher than 80F, it is hot; otherwise, it is
Lebih terperinciSebelumnya... Penalaran pada Sistem Pakar. Ketidakpastian dalam Sistem Pakar. Contoh forward chaining & backward chaining
Sebelumnya... Penalaran pada Sistem Pakar Contoh forward chaining & backward chaining Ketidakpastian dalam Sistem Pakar Teori Peluang Teori Bayes Jaringan Bayes Faktor Kepastian Kecerdasan Buatan Pertemuan
Lebih 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 terperinci