Jurnal Informatika SIMANTIK Vol. 2 No. 2 September 2017 ISSN:
|
|
- Lanny Susman
- 6 tahun lalu
- Tontonan:
Transkripsi
1 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 2) Program Studi Manajemen Informatika, STMIK Cikarang ABSTRAK Penentuan mahasiswa berprestasi di STMIK Cikarang melibatkan beberapa variabel, yaitu IPK, taat azas/aturan akademik, dan aktif kegiatan. Akan tetapi, proses penentuannya masih menggunakan metode manual sehingga menyebabkan hasil yang diperoleh tidak sesuai dengan yang diharapkan. Penulis mengusulkan suatu metode perhitungan logika fuzzy dengan menggunakan metode Tsukamoto dan metode Mamdani. Penelitian ini bertujuan untuk memberikan solusi dengan cara menggabungkan metode Tsukamoto dan metode Mamdani untuk mendapatkan nilai rata-rata dari kedua metode tersebut agar hasil yang didapat lebih akurat. Variabel ditinjau dari empat variabel, yaitu IPK, taat azas/aturan akademik, aktif kegiatan, dan hasil prediksi dengan menggunakan 5 data sampel mahasiswa STMIK Cikarang. Penentuan mahasiswa berprestasi ditentukan dengan cara memilih mahasiswa yang memiliki nilai rata-rata paling tinggi. Hasil dari penelitian ini dapat disimpulkan bahwa dengan membandingkan nilai perhitungan metode manual pada sistem berjalan dengan yang diusulkan menunjukkan bahwa sistem yang diusulkan lebih baik dari sistem yang sedang berjalan di STMIK Cikarang. Kata kunci: Mahasiswa berprestasi, Logika fuzzy, Metode Tsukamoto, Metode Mamdani 1. Pendahuluan Mahasiswa berprestasi adalah mahasiswa yang berprestasi dalam bidang akademik maupun non akademik. Mahasiswa berprestasi tidak hanya menekuni ilmu dalam bidangnya saja di program studi yang mereka pilih namun juga beraktivitas dalam mengembangkan kemampuan soft skillsnya. Dengan harapan agar mahasiswa menjadi lulusan yang mandiri, penuh inisiatif, bekerja secara cermat, penuh tanggung jawab dan tangguh ketika menghadapi dunia kerja dan wirausaha. Penyeleksian dan penetapan mahasiswa berprestasi di STMIK Cikarang ditentukan berdasarkan 3 kriteria yaitu nilai IPK, taat azas atau aturan akademik, dan aktif kegiatan. Akan tetapi, dalam proses penyeleksiannya masih menggunakan metode manual yaitu kriteria pertama yang harus terpenuhi terlebih dahulu adalah nilai IPK harus lebih dari Jika terdapat nilai IPK yang sama maka lanjut ke kriteria yang kedua, yaitu taat azas atau aturan akademik. Jika hasilnya masih sama juga lanjut ke kriteria yang ketiga, yaitu aktif kegiatan. Namun cara tersebut masih kurang efektif dan efisien, diperlukan sebuah metode untuk menentukan mahasiswa berprestasi terbaik di STMIK Cikarang. Salah satu cara yang bisa digunakan dalam menentukan mahasiswa berprestasi adalah penerapan logika fuzzy, karena terdapat beberapa data yang bisa digunakan dalam melakukan perhitungan guna mendapatkan mahasiswa berprestasi dengan lebih efektif dan efisien. Dalam perhitungan logika fuzzy, sistem inferensi fuzzy terdapat 3 metode yaitu metode Tsukamoto, metode Mamdani, dan metode Sugeno. Ketiga metode tersebut memiliki algoritma yang hampir sama dengan melakukan fuzzyfikasi dan aturan yang digunakan dalam bentuk IF THEN. Tetapi walaupun terdapat langkah penyelesaian yang hampir sama, terdapat perbedaan dalam proses mesin inferensi dalam evaluasi aturan-aturan dan proses defuzzyfikasi pada ketiga metode tersebut. Metode yang akan digunakan untuk menentukan mahasiswa berprestasi adalah metode Tsukamoto serta metode Mamdani dengan proses Defuzzyfikasi yaitu Centroid. Variabel fuzzy yang digunakan meliputi variabel input yaitu nilai IPK > 3.00, taat azas/aturan akademik, dan aktif kegiatan. Serta variabel output yaitu hasil prediksi. 2. Landasan Teori 2.1 Logika Fuzzy Logika fuzzy adalah suatu cara untuk memetakan permasalahan dari input menuju output yang diharapkan. (Sri Kusumadewi dan Hari Purnomo, 2013:1). Ada beberapa hal yang perlu diketahui dalam memahami sistem fuzzy, yaitu [6]: 1. Variabel fuzzy Variabel fuzzy merupakan variabel yang hendak dibahas dalam suatu sistem fuzzy. Contoh: umur, temperatur, permintaan, dan sebagainya. 2. Himpunan fuzzy Himpunan fuzzy merupakan suatu grup yang mewakili suatu kondisi atau keadaan tertentu dalam suatu variabel fuzzy. Contoh: a. Variabel umur, terbagi menjadi 3 himpunan fuzzy, yaitu: MUDA, PAROBAYA, TUA. Copyright@2017 STMIK Cikarang 1
2 b. Variabel temperatur, terbagi menjadi 5 himpunan fuzzy, yaitu: DINGIN, SEJUK, NORMAL, HANGAT, dan PANAS. 3. Semesta Pembicaraan Semesta pembicaraan adalah keseluruhan nilai yang diperbolehkan untuk dioperasikan dalam suatu variabel fuzzy. Contoh: a. Semesta pembicaraan untuk variabel umur: [0 + ] b. Semesta pembicaraan untuk variabel temperatur: [ 0 40] 4. Domain Domain himpunan fuzzy adalah keseluruhan nilai yang diizinkan dalam semesta pembicaraan dan boleh dioperasikan dalam suatu himpunan fuzzy. Contoh: a. MUDA = [0 45] b. PAROBAYA = [35 55] c. TUA = [45 + ] 2.2 Fungsi Keanggotaan Fungsi Keanggotaan (membership function) adalah suatu kurva yang menunjukkan pemetaan titik titik input data ke dalam nilai keanggotaannya (sering juga disebut dengan derajat keanggotaan) yang memiliki interval antara 0 sampai 1. Salah satu cara yang digunakan untuk mendapatkan nilai keanggotaan adalah dengan melalui pendekatan fungsi. Ada beberapa fungsi yang bisa digunakan, antara lain: 1. Representasi Linear Pada representasi linear, pemetaan input ke derajat keanggotaannya digambarkan sebagai suatu garis lurus. Ada 2 keadaan himpunan fuzzy yang linear. Pertama, kenaikan himpunan dimulai pada nilai domain yang memiliki derajat keanggotaan nol (0) bergerak ke kanan menuju ke nilai domain yang memiliki derajat keanggotaan lebih tinggi. Kedua, merupakan kebalikan yang pertama. 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. Gambar 2.2 Representasi Linear Turun Fungsi keanggotaan : (b x)/(b a); a x b μ(x) = { 0; x b (2.2) 2. Representasi Kurva Segitiga Kurva Segitiga pada dasarnya merupakan gabungan antara 2 garis (linear). Gambar 2.3 Representasi Kurva Segitiga Fungsi keanggotaan : 0; x a atau x c μ(x) = { (x a)/(b a); a x b (c x)/(c b); b x c (2.3) 3. Representasi Kurva Trapesium Kurva Trapesium pada dasarnya seperti bentuk segitiga, hanya saja ada beberapa titik yang memiliki nilai keanggotaan 1. Gambar 2.1 Representasi Linear Naik Fungsi Keanggotaan : μ(x) = { 0; x a 1; b a ; x a a x b x b (2.1) Gambar 2.4 Representasi Kurva Trapesium Fungsi Keanggotaan : Copyright@2017 STMIK Cikarang 2
3 μ 0; x a atau x d (x a)/(b a); a x b (x) = { (2.4) 1; b x c (d x)/(d c); c x d 2.3 Metode Tsukamoto Pada metode Tsukamoto, setiap konsekuen pada aturan yang berbentuk IF THEN harus direpresentasikan dengan suatu himpunan fuzzy dengan fungsi keanggotaan yang monoton. Sebagai hasilnya, output hasil inferensi dari tiap tiap aturan diberikan secara tegas (crisp) berdasarkan α-predikat (fire strength). Hasil akhir diperoleh dengan menggunakan rata rata terbobot [6]. Dalam inferensinya, metode Tsukamoto menggunakan tahapan [11]: 1. Fuzzyfikasi, yaitu pembentukan himpunan fuzzy dengan menentukan fungsi keanggotaan. 2. Pembentukan basis pengetahuan Fuzzy (Rule dalam bentuk IF...THEN). 3. Mesin Inferensi Menggunakan fungsi implikasi MIN untuk mendapatkan nilai α-predikat tiap-tiap rule. 4. Defuzzyfikasi, yaitu mengubah besaran fuzzy dari sistem inferensi ke besaran tegas. Proses defuzzyfikasi menggunakan metode rata-rata terbobot (Average) dengan rumus berikut: Z = n i=1 αizi (2.5) n i=1 αi 2.4 Metode Mamdani Metode Mamdani sering dikenal sebagai Metode Max-Min. Metode ini diperkenalkan oleh Ebrahim Mamdani pada tahun Untuk mendapatkan output, diperlukan 4 tahapan [6]: 1. Pembentukan himpunan fuzzy Pada metode mamdani, baik variabel input maupun variabel output dibagi menjadi satu atau lebih himpunan fuzzy. 2. Aplikasi Fungsi Implikasi Pada metode mamdani, fungsi implikasi yang digunakan adalah fungsi Min. 3. Komposisi aturan Metode yang digunakan dalam melakukan inferensi sistem fuzzy yaitu Metode Max. Pada metode ini, penarikan solusi himpunan fuzzy dilakukan dengan mengambil nilai maksimum aturan, kemudian menggunakannya untuk memodifikasi daerah fuzzy dan mengaplikasikan ke output dengan operator OR. Secara umum dapat dituliskan : µsf[xi] = max(µsf[xi], µkf[xi]) (2.6) dengan: µsf[xi] = nilai keanggotaan solusi fuzzy sampai aturan ke-i; µkf[xi] = nilai keanggotaan konsekuen fuzzy aturan kei; 4. Penegasan (defuzzy) Input dalam proses defuzzy adalah suatu himpunan yang diperoleh dari komposisi aturan fuzzy, sedangkan output yang dihasilkan merupakan suatu bilangan pada domain himpunan fuzzy. Metode defuzzy yang bisa dipakai pada komposisi aturan mamdani adalah Metode Centroid. Pada metode ini, solusi crisp diperoleh dengan cara mengambil titik pusat (z*) daerah fuzzy. Secara umum dirumuskan: Z* = (2.7) μ(z).z dz z z μ(z)dz n Z* = j=1 zjμ(zj) (2.8) n j=1 μ(zj) untuk variabel kontinu, atau untuk variabel diskret. 3. Rancangan Sistem Dan Aplikasi Berikut ini adalah gambaran umum usecase diagram sistem usulan: uc Use Case Sistem Usulan Wakil Ketua I Sistem Usulan Penentuan Mahasiswa Permintaan data nilai IPK Mahasiswa Permintaan data taat azas/aturan akademik Permintaan data aktif kegiatan Menentukan mahasiswa berprestasi menggunakan sistem logika fuzzy Laporan hasil penentuan mahasiswa berprestasi Mengambil keputusan Gambar 3.1 Gambaran Umum Use Case Diagram Sistem Usulan BAAK Prodi Wakil Ketua III Ketua STMIK Cikarang Berikut ini adalah usecase diagram sistem logika fuzzy: Copyright@2017 STMIK Cikarang 3
4 uc Use Case Sistem Admin Login Data Mahasiswa Tsukamoto Mamdani Derajat keanggotaan untuk Tinggi: μipktinggi(3.55) = ( ) / ( ).55 / b. Variabel Taat Azas, memiliki 2 nilai linguistik, yaitu: TAAT, TIDAK TAAT. Logika Fuzzy Laporan Data Mahasiswa Laporan hasil logika fuzzy Gambar 3.2 Use Case Diagram Sistem Logika Fuzzy Gambar 4.2 Fungsi Keanggotaan Variabel Taat Azas 4. Hasil Dan Pembahasan 4.1 Data Test Uji Algoritma Sebagai data test uji algoritma, diambil sampel data mahasiswa seperti terlihat pada tabel 4.1 berikut. Tabel 4.1 Data Sampel Mahasiswa Semester 4 Taat Azas = 4 memiliki nilai linguistik Taat dengan derajat keanggotaan adalah 1. μtaatazastaat(4) = 1 μtaatazastdktaat(4) c. Variabel Aktif Kegiatan, memiliki 2 nilai linguistik, yaitu: AKTIF, TIDAK AKTIF. Tahapan-tahapan dalam metode Tsukamoto dan metode Mamdani dijelaskan secara rinci sebagai berikut. Langkah 1: Tahap awal menentukan Fuzzyfikasi yaitu pembentukan himpunan fuzzy dengan menentukan fungsi keanggotaan. a. Variabel IPK, memilki 2 nilai linguistik, yaitu: TINGGI, RENDAH. Gambar 4.1 Fungsi Keanggotaan Variabel IPK IPK = 3.55 memiliki nilai linguistik Rendah dan Tinggi. Derajat keanggotaan untuk Rendah: μipkrendah(3.55) = ( ) / ( ).15 / Gambar 4.3 Fungsi Keanggotaan Aktif Kegiatan Aktif Kegiatan = 2 memiliki nilai linguistik Tidak Aktif dan Aktif. Derajat keanggotaan untuk Tidak Aktif: μaktifkegtdkaktif(2) = (4-2) / (4-1) = 2 / Derajat keanggotaan untuk Aktif: μaktifkegaktif(2) = (2-1) / (4-1) = 1 / d. Variabel Hasil Prediksi, memiliki 2 nilai linguistik, yaitu: BERPRESTASI, TIDAK BERPRESTASI Copyright@2017 STMIK Cikarang 4
5 Gambar 4.4 : Fungsi Keanggotaan Variabel Hasil Prediksi Langkah 2 Metode Tsukamoto: Setelah Mengetahui fungsi keanggotaan pada langkah 1 maka selanjutnya menentukan rule dan mencari aplikasi fungsi implikasi dengan menggunakan fungsi MIN. [R1] IF IPK Tinggi And Taat Azas Taat And Aktif Kegiatan Aktif THEN Hasil Prediksi α-predikat₁ = min(μipktinggi(3.55),μtaatazastaat(4),μaktifkegaktif( 2)) = min(0.79,1,0.33).33 Nilai himpunan Hasil Prediksi (z₁) (z₁-1) / (4-1).33 (z₁-1).99 z₁ z₁ = 1.99 z₁ = 2 [R2] IF IPK Tinggi And Taat Azas Taat And Aktif Kegiatan Tidak Aktif THEN Hasil Prediksi α-predikat₂ = min(μipktinggi(3.55),μtaatazastaat(4),μaktifkegtdka ktif(2)) = min(0.79,1,0.67).67 Nilai himpunan Hasil Prediksi (z₂) (z₂-1) / (4-1).67 (z₂-1) = 2.01 z₂ = z₂ = z₂ = 3 [R3] IF IPK Tinggi And Taat Azas Tidak Taat And Aktif Kegiatan Aktif THEN Hasil Prediksi α-predikat₃ = min(μipktinggi(3.55),μtaatazastdktaat(4),μaktifkega ktif(2)) = min(0.79,0,0.33) Nilai himpunan Hasil Prediksi (z₃) (z₃-1) / (4-1) (z₃-1) z₃ = 1 [R4] IF IPK Tinggi And Taat Azas Tidak Taat And Aktif Kegiatan Tidak Aktif THEN Hasil Prediksi Tidak α-predikat₄ = min(μipktinggi(3.55),μtaatazastdktaat(4),μaktifkegt dkaktif(2)) = min(0.79,0,0.67) Nilai himpunan Hasil Prediksi Tidak (z₄) (4-z₄) / (4-1) (4-z₄) z₄ = 4 [R5] IF IPK Rendah And Taat Azas Taat And Aktif Kegiatan Aktif THEN Hasil Prediksi α-predikat₅ = min(μipkrendah(3.55),μtaatazastaat(4),μaktifkegaktif (2)) = min(0.21,1,0.33).21 Nilai himpunan Hasil Prediksi (z₅) (z₅-1) / (4-1).214 (z₅-1).64 z₅ z₅ = 1.64 [R6] IF IPK Rendah And Taat Azas Taat And Aktif Kegiatan Tidak Aktif THEN Hasil Prediksi Tidak α-predikat₆ = min(μipkrendah(3.55),μtaatazastaat(4),μaktifkegtdk Aktif(2)) = min(0.21,1,0.67).21 Nilai himpunan Hasil Prediksi Tidak (z₆) (4-z₆) / (4-1).214 (4-z₆).64 z₆ = z₆ = 3.36 [R7] IF IPK Rendah And Taat Azas Tidak Taat And Aktif Kegiatan Aktif THEN Hasil Prediksi Tidak α-predikat₇ = min(μipkrendah(3.55),μtaatazastdktaat(4),μaktifkeg Aktif(2)) = min(0.21,0,0.33) Nilai himpunan Hasil Prediksi Tidak (z₇) (4-z₇) / (4-1) (4-z₇) z₇ = 4 [R8] IF IPK Rendah And Taat Azas Tidak Taat And Aktif Kegiatan Tidak Aktif THEN Hasil Prediksi Tidak α-predikat₈ = min(μipkrendah(3.55),μtaatazastdktaat(4),μaktifkeg TdkAktif(2)) = min(0.21,0,0.67) Copyright@2017 STMIK Cikarang 5
6 Nilai himpunan Hasil Prediksi Tidak (z₈) (4-z₈) / (4-1) (4-z₈) z₈ = 4 Langkah 3 Metode Tsukamoto: Tahap terakhir yaitu mencari nilai rata-rata terbobot (defuzzyfikasi) ditunjukkan pada persamaan 2.5. z = z = z = z = 1.42 z = 2.62 Untuk metode Mamdani, mengacu pada langkah 1. Himpunan fuzzy pada tiap variabel, penyelesaiannya seperti pada langkah 1. Langkah 2 Metode Mamdani: a. Aplikasi fungsi implikasi Pada metode Mamdani, fungsi implikasi yang digunakan adalah MIN. [R1] IF IPK Tinggi And Taat Azas Taat And Aktif Kegiatan Aktif THEN Hasil Prediksi α-predikat₁ = min(μipktinggi(3.55),μtaatazastaat(4), μaktifkegaktif(2)) = min(0.79,1,0.33).33 [R2] IF IPK Tinggi And Taat Azas Taat And Aktif Kegiatan Tidak Aktif THEN Hasil Prediksi α-predikat₂ = min(μipktinggi(3.55),μtaatazastaat(4),μaktifkeg TdkAktif(2)) = min(0.79,1,0.67).67 [R3] IF IPK Tinggi And Taat Azas Tidak Taat And Aktif Kegiatan Aktif THEN Hasil Prediksi α-predikat₃ = min(μipktinggi(3.55),μtaatazastdktaat(4),μaktif kegaktif(2)) = min(0.79,0,0.33) [R4] IF IPK Tinggi And Taat Azas Tidak Taat And Aktif Kegiatan Tidak Aktif THEN Hasil Prediksi Tidak α-predikat₄ = min(μipktinggi(3.55),μtaatazastdktaat(4),μaktif kegtdkaktif(2)) = min(0.79,0,0.67) [R5] IF IPK Rendah And Taat Azas Taat And Aktif Kegiatan Aktif THEN Hasil Prediksi α-predikat₅ = min(μipkrendah(3.55),μtaatazastaat(4),μaktifke gaktif(2)) = min(0.21,1,0.33).21 [R6] IF IPK Rendah And Taat Azas Taat And Aktif Kegiatan Tidak Aktif THEN Hasil Prediksi Tidak α-predikat₆ = min(μipkrendah(3.55),μtaatazastaat(4),μaktifke gtdkaktif(2)) = min(0.21,1,0.67).21 [R7] IF IPK Rendah And Taat Azas Tidak Taat And Aktif Kegiatan Aktif THEN Hasil Prediksi Tidak α-predikat₇ = min(μipkrendah(3.55),μtaatazastdktaat(4),μakti fkegaktif(2)) = min(0.21,0,0.33) [R8] IF IPK Rendah And Taat Azas Tidak Taat And Aktif Kegiatan Tidak Aktif THEN Hasil Prediksi Tidak α-predikat₈ = min(μipkrendah(3.55),μtaatazastdktaat(4),μakti fkegtdkaktif(2)) = min(0.21,0,0.67) b. Komposisi antar aturan Dari hasil aplikasi fungsi implikasi dari tiap aturan, digunakan metode MAX untuk melakukan komposisi antar semua aturan. Gambar 4.5: Daerah Hasil Komposisi Pada gambar 9 tersebut, daerah hasil di bagi menjadi 3 bagian, yaitu A1, A2, dan A3. MIN => 0, maka a₁ = 1 MAX => (a₂-1) / (4-1).67 a₂-1 = 2.01 a₂ = a₂ = 3 Dengan demikian, fungsi keanggotaan untuk hasil komposisi ini Copyright@2017 STMIK Cikarang 6
7 μ(z) = { 0; z 1 z 1 3 ; 1 z 0.67; z Langkah 3 Metode Mamdani: Tahap Defuzzyfikasi pada metode Mamdani menggunakan metode Centroid. Untuk itu, pertama-tama hitung momen untuk setiap daerah. M1 M2 = ( z 1 )z dz 1 3 = (0.33z z) dz 1 = 0.11z³ 0.165z² 1 = (0.11()³ ()²) (0.11(1)³ 0.165(1)²) = ( ) ( ) = (-0.055) = = M3 = (0.67)z dz 4 = 0.335z².335(4)²-0.335()² = = = 2.33 Kemudian hitung luas setiap daerah: A1 => 1x0 ( 1)X 0.67 A2 =>.67335= A3 => (4-) x =0.67 Titik pusat dapat diperoleh dari: Z = 3.89 = Nilai Rata-rata metode Tsukamoto dan metode Mamdani Output I+Output II Nilai Rata-rata = 2 = = 2.77 Mahasiswa paling berprestasi ditentukan oleh jumlah nilai rata-rata paling tinggi dari sampel data mahasiswa yang di input. password tersebut telah tersimpan dalam database. Setelah login berhasil maka akan masuk ke halaman menu utama. Gambar 4.6 Form Login 2. Tampilan Menu Utama Form menu utama merupakan form utama untuk memanggil seluruh form lainnya. Untuk menu yang terdapat pada form ini antara lain menu file, menu perhitungan, menu laporan, dan menu logout. Gambar 4.7 Form Menu Utama di Data Master 3. Tampilan Form Data Mahasiswa Form data mahasiswa ini digunakan untuk menginput data calon mahasiswa berprestasi. Tabel 4.2 Hasil Perhitungan Logika Fuzzy 4.2 Tampilan Antar Muka Sistem 1. Tampilan Menu Login Form Login merupakan gerbang utama untuk dapat masuk ke dalam aplikasi. Untuk dapat mengakses aplikasi ini, pengguna harus memasukkan username dan password terlebih dahulu. Username dan Gambar 4.8 Form Data Mahasiswa 4. Tampilan Form Tsukamoto Form Tsukamoto digunakan untuk mengetahui proses perhitungan metode Tsukamoto. Copyright@2017 STMIK Cikarang 7
8 Gambar 4.9 Form Tsukamoto 5. Tampilan Form Mamdani Form Mamdani digunakan untuk mengetahui proses perhitungan metode Mamdani. Gambar 4.11 : Form Logika Fuzzy 7. Tampilan Laporan Logika Fuzzy Tampilan ini menunjukkan hasil laporan logika fuzzy dari beberapa data mahasiswa yang di input dan telah diurutkan berdasarkan nilai rata-rata tertinggi sehingga memudahkan untuk mengetahui mahasiswa yang paling berprestasi. Gambar 4.10 Form Mamdani 6. Tampilan Form Logika Fuzzy Form ini digunakan untuk menghitung nilai rata-rata dari output metode Tsukamoto dan output metode Mamdani. Gambar 4.12 Laporan Logika Fuzzy 5. Kesimpulan Dan Saran 5.1 Kesimpulan Dari hasil penelitian yang dilakukan mulai dari awal hingga proses pengujian, dapat disimpulkan bahwa: 1. Susunan perhitungan sistematis dalam menentukan mahasiswa berprestasi menggunakan logika fuzzy metode Tsukamoto dan metode Mamdani dapat dilakukan dengan mengetahui variabel dan nilai lingustik untuk IPK yaitu rendah dan tinggi, taat azas/aturan akademik yaitu taat dan tidak taat, aktif kegiatan yaitu aktif dan tidak aktif, serta hasil prediksi yaitu berprestasi dan tidak berprestasi, lalu diimplementasikan dalam membangun himpunan fuzzy untuk proses fuzzyfikasi serta aturan/rule yang digunakan. Copyright@2017 STMIK Cikarang 8
9 2. Aplikasi ini dapat membantu mempercepat proses penentuan mahasiswa berprestasi. 3. Hasil penelitian dengan membandingkan metode manual pada sistem yang sedang berjalan dengan yang diusulkan menunjukkan bahwa sistem yang diusulkan lebih baik dari sistem yang sedang berjalan di STMIK Cikarang. Triyanto, Agus, dkk. Studi Perbandingan Metode Fuzzy Tsukamoto dan Fuzzy Mamdani untuk seleksi pegawai teladan pada PT. Graha Pharmindo, ISSN: , Oktober 2014 Widodo, Prabowo Pudjo dan Herlawati. Menggunakan UML, Informatika, Bandung, Saran Saran yang dapat direkomendasikan oleh peneliti dalam menyelesaikan penelitian ini 1. Penelitian ini sangat cocok untuk dipelajari bagi pengembang aplikasi yang ingin membuat aplikasi logika fuzzy untuk menentukan mahasiswa berprestasi baik berbasis dekstop, web, maupun mobile. 2. Diharapkan penelitian selanjutnya dapat menerapkan logika fuzzy metode Sugeno. 3. Penelitian ini perlu diimplementasikan oleh STMIK Cikarang agar bisa digunakan. DAFTAR PUSTAKA Andre. Tutorial Belajar MySQL Part 1: Pengertian MySQL dan Kelebihan MySQL, tutorial-mysql-alasan-menggunakan-mysql/, dipublikasikan tanggal 16 September Aprizal, Muhammad, dkk. Perbandingan Metode Logika Fuzzy Tsukamoto dan Logika Fuzzy Mamdani Dalam Pemilihan Penerima Beasiswa Pada STMIK Global Informatika MDP, 2015 Dhawiyandi, Sri dan Roni Satria Wahono. Pengantar Unified Modeling Language (UML), Ilmu Komputer.com, 2003 Jubilee Enterprise. Belajar Java, Database, dan Netbeans dari Nol, PT. Elex Media Komputindo, Jakarta, 2016 Jubilee Enterprise. Aplikasi Penggajian deng an Java untuk Pemula, PT. Elex Komputindo, Jakarta, 2014 Kusuma Dewi, Sri dan Heri Purnomo. Aplikasi Logika Fuzzy untuk Pendukung Keputusan, Graha Ilmu, Yogyakarta, 2013 Mande, Arhyy. Landasan Teori UML, dipublikasikan tanggal 12 Mei Pilmapres. Pedoman Pemilihan Mahasiswa (Pilmapres). Program Sarjana, /PEDOMAN-PILMAPRES-SARJANA pdf, dipublikasikan bulan Januari Putra, Adhitya Wibawa. Netbeans IDE, dipublikasikan tanggal 19 Juli TIM Lintang Wahana Komputer. Membangun Sistem Informasi dengan Java NetBeans dan MySQL, Andi, Yogyakarta, 2015 STMIK Cikarang 9
BAB 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 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 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 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 terperinciPERANCANGAN SISTEM PERENCANAAN JUMLAH PRODUKSI ROTI MENGGUNAKAN METODE FUZZY MAMDANI
PERANCANGAN SISTEM PERENCANAAN JUMLAH PRODUKSI ROTI MENGGUNAKAN METODE FUZZY MAMDANI Murni Marbun 1, Hengki Tamando Sihotang 2, Normi Verawati Marbun 3 2 Teknik Informatika STMIK Pelita Nusantara Medan,
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 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 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 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 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 2 LANDASAN TEORI
BAB LANDASAN TEORI. Himpunan Himpunan adalah setiap daftar, kumpulan atau kelas objek-objek yang didefenisikan secara jelas, objek-objek dalam himpunan-himpunan yang dapat berupa apa saja: bilangan, orang,
Lebih 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 terperinciSPK PENENTUAN TINGKAT KEPUASAN KONSUMEN PADA RESTORAN XYZ
SPK PENENTUAN TINGKAT KEPUASAN KONSUMEN PADA RESTORAN XYZ P.A Teknik Informatika Universitas Ahmad Dahlan Yogyakarta Kampus 3 UAD, Jl. Prof. Soepomo rochmahdyah@yahoo.com Abstrak Perkembangan teknologi
Lebih terperinciAplikasi 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 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 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 terperinciBAB II LANDASAN TEORI. papernya yang monumental Fuzzy Set (Nasution, 2012). Dengan
BAB II LANDASAN TEORI 2.. Logika Fuzzy Fuzzy set pertama kali diperkenalkan oleh Prof. Lotfi Zadeh, 965 orang Iran yang menjadi guru besar di University of California at Berkeley dalam papernya yang monumental
Lebih terperinciLOGIKA FUZZY. 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 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 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 terperinciSISTEM PENDUKUNG KEPUTUSAN PENENTUAN DOSEN PEMBIMBING DENGAN METODE LOGIKA FUZZY
SISTEM PENDUKUNG KEPUTUSAN PENENTUAN DOSEN PEMBIMBING DENGAN METODE LOGIKA FUZZY Ainul Yaqin 1), Ema Utami 2), Emha Taufiq Luthfi 3) 1,2,3 Magister Teknik informatika STMIK AMIKOM Yogyakarta 1,2,3 Jl Ring
Lebih 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 terperinciPengantar Kecerdasan Buatan (AK045218) Logika Fuzzy
Logika Fuzzy Pendahuluan Alasan digunakannya Logika Fuzzy Aplikasi Himpunan Fuzzy Fungsi keanggotaan Operator Dasar Zadeh Penalaran Monoton Fungsi Impilkasi Sistem Inferensi Fuzzy Basis Data Fuzzy Referensi
Lebih terperinciBAB 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 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 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 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 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 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 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 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 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 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 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 terperinciLOGIKA FUZZY DALAM SISTEM PENGAMBILAN KEPUTUSAN PENERIMAAN BEASISWA
LOGIKA FUZZY DALAM SISTEM PENGAMBILAN KEPUTUSAN PENERIMAAN BEASISWA Siti Komariyah 1), Riza M. Yunus, Sandi Fajar Rodiyansyah 2) Jurusan Teknik Informatika, Fakultas Teknik, Universitas Majalengka Email
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 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 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 terperinciJurnal Informatika SIMANTIK Vol.1, No.1 September Ali Mulyanto 1, Abdul Haris 2, Manajemen Informatika 1, Teknik Informatika 2.
Penerapan Metode Fuzzy Tsukamoto Untuk Menentukan Jumlah Jam Overtime Pada Produksi Barang di PT Asahi Best Base Indonesia (ABBI) Bekasi Ali Mulyanto 1, Abdul Haris 2, Manajemen Informatika 1, Teknik Informatika
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 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 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 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 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 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 terperinciANALISIS PERBANDINGAN HARGA MOBIL BEKAS MENGGUNAKAN METODE FUZZY INFERENCE SYSTEM (FIS) MAMDANI DAN TSUKAMOTO
Jur. Ris. Ap. Mat. Vol. 1, No. 1 (2017), pp. 1 52. Jurnal Riset dan Aplikasi Matematika e-issn 2581-0154 URL: journal.unesa.ac.id/index.php/jram ANALISIS PERBANDINGAN HARGA MOBIL BEKAS MENGGUNAKAN METODE
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 terperinciPREDIKSI JUMLAH PRODUKSI BARANG BEDASARKAN JUMLAH PERMINTAAN DAN DATA JUMLAH PERSEDIAAN CV.CIHANJUANG INTI TEKNIK MENGGUNAKAN LOGIKA FUZZY MAMDANI
PREDIKSI JUMLAH PRODUKSI BARANG BEDASARKAN JUMLAH PERMINTAAN DAN DATA JUMLAH PERSEDIAAN CV.CIHANJUANG INTI TEKNIK MENGGUNAKAN LOGIKA FUZZY MAMDANI Rizka Munia Yogaswara 1), Gunawan Abdillah 2), Dian Nursantika
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Objek Penelitian Objek penelitian dalam tugas akhir ini adalah BPR BKK Kendal yang beralamatkan di jalan Soekarno Hatta No 335 Kendal. Penelitian ini berlangsung dari bulan
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 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 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 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 terperinciHimpunan Fuzzy. Sistem Pakar Program Studi : S1 sistem Informasi
Himpunan Fuzzy Sistem Pakar Program Studi : S1 sistem Informasi Outline Himpunan CRISP Himpunan Fuzzy Himpunan CRISP Pada himpunan tegas (crisp), nilai keanggotaan suatu item dalam suatu himpunan A, yang
Lebih terperinciPENGESAHAN PEMBIMBING...
DAFTAR ISI HALAMAN JUDUL... i HALAMAN PENGESAHAN PEMBIMBING... ii HALAMAN PERNYATAAN KEASLIAN... iii LEMBAR PENGESAHAN PENGUJI... iv HALAMAN PERSEMBAHAN... v HALAMAN MOTTO... vii KATA PENGANTAR... viii
Lebih terperinciPresentasi TA DETEKSI PENYAKIT PARU-PARU OBSTRUKTIF KRONIS MENGGUNAKAN METODE FUZZY : STUDI KASUS DI RUMAH SAKIT XYZ. Muhammad Reza Budiman
Presentasi TA DETEKSI PENYAKIT PARU-PARU OBSTRUKTIF KRONIS MENGGUNAKAN METODE FUZZY : STUDI KASUS DI RUMAH SAKIT XYZ Muhammad Reza Budiman 5209100075 Jurusan Sistem Informasi Fakultas Teknologi Informasi
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 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 terperinciProses Defuzzifikasi pada Metode Mamdani dalam Memprediksi Jumlah Produksi Menggunakan Metode Mean Of Maximum
Prosiding Penelitian SPeSIA Unisba 2015 ISSN: 2460-6464 Proses Defuzzifikasi pada Metode Mamdani dalam Memprediksi Jumlah Produksi Menggunakan Metode Mean Of Maximum 1 Fitria Tri Suwarmi, 2 M. Yusuf Fajar,
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN PEMILIHAN JURUSAN DI SMU DENGAN LOGIKA FUZZY
SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN JURUSAN DI SMU DENGAN LOGIKA FUZZY Hafsah, Heru Cahya Rustamaji, Yulia Inayati Jurusan Teknik Informatika UPN "Veteran" Yogyakarta Jl. Babarsari No 2 Tambakbayan Yogyakarta
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 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 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 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 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 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 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 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 terperinciPenerapan Fuzzy Logic Sebagai Pendukung Keputusan Dalam Upaya Optimasi Penjualan Barang
Penerapan Fuy Logic Sebagai Pendukung Keputusan Dalam Upaya Optimasi Penjualan Barang Thomson Mary Program Studi Pendidikan Informatika, STKIP PGRI Sumatera Barat Kampus II, Gunung Pangilun, Padang Email:
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 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 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 terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Game dan Video Game Menurut kamus Cambridge Advanced Learner Dictionary, game adalah sebuah aktivitas menghibur dan menyenangkan yang dimainkan oleh anak anak. Sedangkan video
Lebih 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 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 terperinciBAB II LANDASAN TEORI. Logika Fuzzy pertama kali dikembangkan oleh Lotfi A. Zadeh pada tahun
BAB II LANDASAN TEORI 2.1 Logika Fuzzy Logika Fuzzy pertama kali dikembangkan oleh Lotfi A. Zadeh pada tahun 1965. Teori ini banyak diterapkan di berbagai bidang, antara lain merepresentasikan pikiran
Lebih terperinciOptimalisasi Jumlah Produksi Jamu Jaya Asli Dengan Metode Fuzzy Tsukamoto
Optimalisasi Jumlah Produksi Jamu Jaya Asli Dengan Metode Fuzzy Tsukamoto SKRIPSI Diajukan Untuk Memenuhi Salah Satu Syarat Guna Memperoleh Gelar Sarjana Komputer (S.Kom.) Pada Program Studi Sistem Informasi
Lebih terperinciPrediksi Jumlah Produksi Mebel Pada CV. Sinar Sukses Manado Menggunakan Fuzzy Inference System
Jurnal Matematika dan Aplikasi decartesian ISSN:2302-4224 J o u r n a l h o m e p a g e: https://ejournal.unsrat.ac.id/index.php/decartesian decartesian Prediksi Jumlah Produksi Mebel Pada CV. Sinar Sukses
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 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 terperinciKECERDASAN BUATAN (Artificial Intelligence) Materi 8. Entin Martiana
Logika Fuzzy KECERDASAN BUATAN (Artificial Intelligence) Materi 8 Entin Martiana 1 Kasus fuzzy dalam kehidupan sehari-hari Tinggi badan saya: Andi menilai bahwa tinggi badan saya termasuk tinggi Nina menilai
Lebih terperinciBAB III ANALISA DAN PERANCANGAN SISTEM. ditujukan untuk menangani pencarian spesifikasi komputer yang sesuai dengan
BAB III ANALISA DAN PERANCANGAN SISTEM III. Analisis Masalah Sistem yang dibuat pada studi kasus pemilihan spesifikasi komputer ini, ditujukan untuk menangani pencarian spesifikasi komputer yang sesuai
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 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 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 terperinciBAB III ANALISA DAN DESAIN SISTEM
BAB III ANALISA DAN DESAIN SISTEM III.1. Analisa Masalah Saat ini, dalam melakukan seleksi penerimaan petugas Sensus Ekonomi pada kantor Badan Statistik Aceh Tamiang masih dilakukan dengan tidak terbuka.
Lebih terperinciOleh: ABDUL AZIS JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA 2013
Oleh: ABDUL AZIS 1209 100 073 JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA 2013 Sektor pertanian merupakan salah satu penopang perekonomian
Lebih terperinciBAB III ANALISA DAN DESAIN SISTEM
BAB III ANALISA DAN DESAIN SISTEM III.1. Analisa Masalah PT. Intraco Agro Industry merupakan perusahaan yang bergerak dibidang pakan ternak. Masalah yang dihadapi PT. Intraco Agro Industry pada saat ini
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 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 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 terperinciBAB IV METODOLOGI. Gambar 4.1 Model keseimbangan air pada waduk (Sumber : Noor jannah,2004)
BAB IV METODOLOGI 4.1 Sistem Pengoperasian Waduk. Tujuan di bangun suatu sistem waduk sangat mempengaruhi strategi pengoperasian sistem waduk yang bersangkutan. Dalam mengembangkan model optimasi pengoperasian
Lebih 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 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 terperinciDAFTAR ISI ABSTRAK ABSTRACT KATA PENGANTAR DAFTAR ISI DAFTAR GAMBAR DAFTAR TABEL BAB I PENDAHULUAN
DAFTAR ISI ABSTRAK... i ABSTRACT... ii KATA PENGANTAR... iii DAFTAR ISI... iv DAFTAR GAMBAR...x DAFTAR TABEL... xiii BAB I PENDAHULUAN 1.1 Latar Belakang Masalah...1 1.2 Identifikasi Masalah...3 1.3 Maksud
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN PEMILIHAN KETUA SENAT MAHASISWA DENGAN LOGIKA FUZZY
SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN KETUA SENAT MAHASISWA DENGAN LOGIKA FUZZY Jamaludin Malik 1), Arik Sofan Tohir 2), Jl Ring road Utara, Condongcatur, Sleman, Yogyakarta 55281 Email: 1) malixjams@gmail.com,
Lebih terperinciFuzzy Set Logika Fuzzy Fuzzy System
Fuzzy Set Logika Fuzzy Fuzzy System 1 Crisp Set Crisp set membedakan anggota dan non anggota dengan batasan pasti Misalkan A sebuah crisp set dan x anggota A maka : A [x]=1 Jika y bukan anggota A maka
Lebih terperinciFuzzy Logic. Untuk merepresentasikan masalah yang mengandung ketidakpastian ke dalam suatu bahasa formal yang dipahami komputer digunakan fuzzy logic.
Fuzzy Systems Fuzzy Logic Untuk merepresentasikan masalah yang mengandung ketidakpastian ke dalam suatu bahasa formal yang dipahami komputer digunakan fuzzy logic. Masalah: Pemberian beasiswa Misalkan
Lebih 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 terperinciPenerapan Fuzzy Mamdani Untuk Sistem Pendukung Keputusan Pemilihan Telepon Seluler
Penerapan Fuzzy Mamdani Untuk Sistem Pendukung Keputusan Pemilihan Telepon Seluler Wira Buana Dosen STMIK Jayanusa wira_buana59@yahoo.com ABSTRAK Fuzzy logic merupakan salah satu pendekatan yang menggunakan
Lebih terperinci