BAB 2 TINJAUAN PUSTAKA
|
|
- Ida Vera Yuwono
- 5 tahun lalu
- Tontonan:
Transkripsi
1 BAB 2 TINJAUAN PUSTAKA 2.1. Kecerdasan Buatan Kecerdasan buatan merupakan salah satu inovasi yang terdapat dalam bidang ilmu pengetahuan. Kecerdasan buatan telah dimulai sejak komputer modern pertama kali ditemukan, yaitu tahun 1940 dan Menurut Andri Kristanto, kecerdasan buatan merupakan bagian dari ilmu pengetahuan komputer yang khusus ditujukan dalam perancangan otomasi tingkah laku cerdas dalam sistem kecerdasan komputer [7]. Ada juga yang berpendapat bahwa kecerdasan buatan (Artificial Intelligence) merupakan salah satu bagian ilmu komputer yang membuat agar mesin (komputer) dapat melakukan pekerjaan seperti dan sebaik yang dilakukan oleh manusia [9]. Kecerdasan buatan memungkinkan komputer untuk berpikir dengan cara menyederhanakan program. Dengan cara ini, kecerdasan buatan dapat menirukan proses belajar manusia sehingga informasi baru dapat diserap dan digunakan sebagai acuan di masa-masa mendatang. Kecerdasan atau kepandaian itu di dapat berdasarkan pengetahuan dan pengalaman, untuk itu agar perangkat lunak yang dikembangkan dapat mempunyai kecerdasan maka perangkat lunak tersebut harus diberi suatu pengetahuan dan kemampuan untuk menalar dari pengetahuan yang telah di dapat dalam menemukan solusi atau kesimpulan layaknya seorang pakar dalam bidang tertentu yang bersifat spesifik.
2 Menurut John Mc Carthy (1956), terdapat dua bagian penting sehingga sistem komputer dapat belajar seperti layaknya manusia [11], yaitu: a. Knowledge Base (Basis Pengetahuan) Basis pengetahuan berisi data, fakta-fakta, teori, pemikiran & hubungan antara satu dengan lainnya. b. Inference Engine (Mesin Inferensi) Mesin inferensi mempunyai kemampuan merangkaikan basis data untuk menarik sebuah kesimpulan. Berikut merupakan gambar arsitektur pada kecerdasan buatan berdasarkan penjelasan diatas Gambar 2.1. Arsitektur Kecerdasan Buatan 2.2. Sistem Pakar Sistem pakar merupakan sistem berbasis komputer yang menggunakan pengetahuan, fakta, dan teknik penalaran dalam memecahkan masalah yang biasanya hanya dapat dipecahkan oleh seorang pakar dalam bidang tersebut [8]. Sedangkan pendapat lain menyatakan bahwa sistem pakar adalah salah satu cabang dari Artificial Intelligence (kecerdasan buatan) yang membuat penggunaan secara luas knowledge yang khusus untuk penyelesaian masalah tingkat manusia yang pakar. Knowledge dalam sistem pakar mungkin saja seorang ahli, atau knowledge yang umumnya terdapat dalam buku, jurnal dan orang yang mempunyai pengetahuan tentang suatu bidang [2]. Sistem pakar juga dapat diartikan sebagai sistem yang berusaha mengadopsi pengetahuan manusia ke komputer yang dirancang untuk memodelkan kemampuan menyelesaikan masalah seperti layaknya seorang pakar. Dengan sistem pakar ini, orang awam pun dapat menyelesaikan masalahnya atau hanya sekedar mencari suatu informasi berkualitas yang sebenarnya hanya dapat diperoleh dengan bantuan para ahli dibidangnya. Sistem pakar ini juga akan dapat membantu aktivitas paramedis.
3 Sama seperti kecerdasan buatan, sistem pakar juga memiliki 2 komponen utama yaitu basis pengetahuan dan mesin inferensi. Basis pengetahuan merupakan tempat penyimpanan pengetahuan dalam memori komputer, dimana pengetahuan ini diambil dari pengetahuan pakar. Sedangkan mesin inferensi merupakan otak dari aplikasi sistem pakar. Bagian inilah yang menuntun user untuk memasukkan fakta sehingga diperoleh suatu kesimpulan. Apa yang dilakukan mesin inferensi ini didasarkan pada pengetahuan yang ada dalam basis pengetahuan [3]. Berikut Gambar 2.2 yang menggambarkan konsep dasar suatu sistem pakar : Gambar 2.2. Konsep dasar suatu sistem pakar 2.3 Struktur Sistem Pakar Sistem pakar terdiri dari dua bagian pokok, yaitu : lingkungan pengembangan (development environment) dan lingkungan konsultasi (consultation environment) [2]. Lingkungan pengembangan digunakan sebagai pembangun sistem pakar baik dari segi pembangun komponen maupun basis pengetahuan. Lingkungan konsultasi digunakan oleh seseorang yang bukan ahli untuk berkonsultasi. Komponen-komponen yang ada pada sistem pakar adalah: 1. Subsistem penambahan pengetahuan (Akuisisi Pengetahuan). Akusisi pengetahuan adalah akumulasi, transfer dan transformasi keahlian dalam menyelesaikan masalah dari sumber pengetahuan ke dalam program komputer. Dalam tahap ini, perekayasa pengetahuan (knowledge engineer) berusaha menyerap pengetahuan untuk selanjutnya ditransfer ke dalam basis pengetahuan. Pengetahuan diperoleh dari pakar, dilengkapi dengan buku, basis data, laporan penelitian dan pengalaman pemakai.
4 2. Basis pengetahuan (Knowledge Base) Berisi pengetahuan-pengetahuan yang dibutuhkan untuk memahami formulasi dalam suatu menyelesaikan masalah. Basis pengetahuan merupakan bagian yang sangat penting dalam proses inferensi, yang di dalamnya menyimpan informasi dan aturanaturan penyelesaian suatu pokok bahasan masalah beserta atributnya. Pada prinsipnya, basis pengetahuan mempunyai dua (2) komponen yaitu fakta-fakta dan aturan-aturan. 3. Mesin Inferensi (Inference Engine). Program yang berisi metodologi yang digunakan untuk melakukan penalaran terhadap informasi-informasi dalam basis pengetahuan dan blackboard, serta digunakan untuk memformulasikan konklusi. 4. Workplace / Blackboard Merupakan area dari sekumpulan memori kerja (working memory). Workplace digunakan untukmerekam kejadian yang sedang berlangsung termasuk keputusan sementara. 5. Antarmuka (user interface) Digunakan untuk media komunikasi antara user dan program. Menurut McLeod (1995), pada bagian ini terjadi dialog antara program dan pemakai, yang memungkinkan sistem pakar menerima instruksi dan informasi (input) dari pemakai, juga memberikan informasi (output) kepada pemakai. 6. Subsistem penjelasan (Explanation Facility) Explanation Facility memungkinkan pengguna untuk mendapatkan penjelasan dari hasil konsultasi. Fasilitas penjelasan diberikan untuk menjelaskan bagaimana proses penarikan kesimpulan. Biasanya dengan cara memperlihatkan rule yang digunakan. 7. Perbaikan Pengetahuan (Knowledge Refinement) Sistem ini digunakan untuk mengevaluasi kinerja sistem pakar itu sendiri untuk melihat apakah pengetahuan-pengetahuan yang ada masih cocok untuk digunakan di masa mendatang.
5 Berikut gambar 2.3 arsitektur pada sistem pakar berdasarkan penjelasan diatas. Gambar 2.3. Arsitektur Sistem Pakar 2.4 Pengertian Gizi Menurut Supariasa, gizi adalah suatu proses organisme dalam menggunakan bahan makanan melalui proses pencernaan, penyerapan, transportasi, penyimpanan metabolisme dan pembuangan untuk pemeliharaan hidup, pertumbuhan, fungsi organ tubuh dan produksi energi [7] Status Gizi Menurut Almatsier, Status Gizi adalah keadaan tubuh sebagai akibat konsumsi makanan dan penggunaan zat-zat gizi [1]. Konsumsi makanan yang mengandung energi dan protein yang tidak sesuai dengan kebutuhan tubuh akan menyebabkan balita mengalami malnutrisi atau gizi salah. Malnutrisi yang terjadi dalam waktu yang lama akan menyebabkan balita mengalami gangguan terhadap pertumbuhan fisik dan mental. Sedangkan menurut Supariasa, status gizi adalah ekspresi dari keadaan yang diakibatkan oleh status keseimbangan antara jumlah asupan zat gizi dan jumlah yang dibutuhkan oleh tubuh untuk berbagai fungsi biologis seperti pertumbuhan fisik, perkembangan, aktivitas, pemeliharaan kesehatan, dan lainnya [7].
6 Status Gizi dibedakan antara status gizi buruk, gizi kurang, gizi baik dan gizi lebih, berdasarkan data baku Kementerian Kesehatan Republik Indonesia yang menyajikan pengukuran status gizi dalam z-score. Dimana data ini sangat cocok untuk negara Indonesia yang anak-anak yang populasinya relatif kurang baik, sehingga menggunakan skor simpang baku (z-score). Klasifikasi Status Gizi Anak Balita Menurut Standar Kementerian Kesehatan RI dengan skor simpangan baku (z-score) dapat dilihat pada tabel 1 berikut: Tabel 2.1. Kategori dan Ambang Batas Status Gizi Anak Berdasarkan Indeks Sumber : Berdasarkan Keputusan Menteri Kesehatan Tahun Penilaian Status Gizi Menurut Supariasa, macam-macam penilaian status gizi dibagi menjadi dua yaitu penilaian status gizi secara langsung dan tidak langsung [7]. 1) Penilaian status gizi secara langsung Penilaian status gizi secara langsung dapat dibagi menjadi empat penilaian yaitu antropometri, klinis, biokimia dan biofisik. a. Antropometri Metode antropometri yaitu menentukan status gizi dengan menggunakan ukuran tubuh. Pengukuran antropometri merupakan cara yang paling mudah dan tidak membutuhkan peralatan yang mahal.
7 b. Klinis Penilaian status gizi secara klinis yaitu penilaian yang didasarkan pada gejala yang muncul dari tubuh sebagai akibat dari kelebihan atau kekurangan salah satu zat gizi tertentu. Setiap zat gizi memberikan tampilan klinis yang berbeda, sehingga cara ini dianggap spesifik namun sangat subjektif. c. Biokimia Pemeriksaan gizi dilakukan secara laboratoris pada berbagai macam jaringan tubuh. Jaringan tubuh yang digunakan antara lain: darah, urine, tinja, hati, dan otot. d. Biofisik Penilaian secara biofisik yaitu dengan mengukur elastisitas dan fungsi jaringan tubuh. Cara ini jarang digunakan karena membutuhkan peralatan yang canggih, mahal dan tenaga terampil Indeks Antropometri Menurut Supariasa, indeks antropometri adalah kombinasi antara beberapa parameter antropometri untuk menilai status gizi [7]. Beberapa indeks antropometri yang sering digunakan yaitu berat badan menurut umur (BB/U), tinggi badan menurut umur (TB/U), berat badan menurut tinggi badan (BB/TB), dan Indeks Massa Tubuh (IMT). Indeks BB/U, TB/U, BB/TB cenderung digunakan untuk menilai status gizi pada anak (kurang dari delapan belas tahun). Sedangkan IMT dapat digunakan untuk menilai status gizi pada anak maupun orang dewasa (lebih dari delapan belas tahun). Berikut penjelasan mengenai variabel indeks antropometri. 1. Berat Badan menurut Umur (BB/U) Berat badan adalah salah satu parameter yang memberikan gambaran massa tubuh. Massa tubuh sangat sensitif terhadap perubahan perubahan yang mendadak,misalnya karena terserang penyakit infeksi, menurunnya nafsu makan atau menurunnya jumlah makanan yang dikonsumsi. 2. Tinggi Badan menurut Umur (TB/U) Tinggi badan adalah salah satu ukuran pertumbuhan linier. Pada keadaan normal, tinggi badan tumbuh seiring dengan pertambahan umur. Pertumbuhan tinggi badantidak seperti berat badan, relatif kurang sensitif terhadap masalah kekurangan gizi dalam waktu yang singkat.
8 3. Berat Badan menurut Tinggi Badan (BB/TB) Berat badan memiliki hubungan yang linear dengan tinggi badan. Dalam keadaan normal, perkembangan berat badan akan searah dengan pertumbuhan tinggi badan dengan kecepatan tertentu. Indeks BB/TB tidak dipengaruhi oleh umur. 4. Indeks Massa Tubuh Indeks Massa Tubuh (IMT) merupakan alat yang sederhana untuk memantau status gizi orang dewasa, khususnya yang berkaitan dengan kekurangan dan kelebihan berat badan. Didalam menentukan status gizi berdasarkan indeks antropometri pada anak, maka diperlukan nilai z-score. Berikut ini merupakan rumus untuk mencari nilai z-score. Z-Score = Nilai Individu Subjek Nilai Median Baku Rujukan Nilai Simpang Baku Rujukan (2.1) Dari rumus diatas, dapat diturunkan menjadi 2 rumus, yaitu: 1. Bila nilai real hasil pengukuran berat badan per umur (BB/U), tinggi badan per usia (TB/U) atau berat badan menurut tinggi badan (BB/TB) lebih besar atau sama dengan nilai median maka dapat dilihat pada persamaan Z-Score = Nilai Individu Subjek Nilai Median Baku Rujukan Nilai Median Baku Rujukan Nilai SD Upper (2.2) Keterangan : Nilai Individu Subjek Nilai Median Baku Rujukan Nilai SD Upper : nilai riil dari subjek : nilai median baku dari standart yang digunakan : nilai simpang baku yang positif, yang nilainya lebih besar dari nilai median baku rujukan. 2. Bila nilai real hasil pengukuran berat badan per usia (BB/U), tinggi badan per usia (TB/U) atau berat badan menurut tinggi badan (BB/TB) lebih kecil dari nilai median maka maka dapat dilihat pada persamaan. Z-Score = Nilai Individu Subjek Nilai Median Baku Rujukan Nilai Median Baku Rujukan Nilai SD Lower (2.3)
9 Keterangan : Nilai Individu Subjek Nilai Median Baku Rujukan Nilai SD Lower : nilai riil dari subjek : nilai median baku dari standart yang digunakan : nilai simpang baku yang positif, yang nilainya lebih kecil dari nilai median baku rujukan. 2.5 Logika Fuzzy Konsep logika fuzzy pertama kali diperkenalkan oleh Professor Lotfi A.Zadehdari Universitas California, pada bulan Juni Fuzzy secara bahasa diartikan sebagai kabur atau samar samar. Menurut Setiadji [6], fuzzy merupakan suatu nilai yang dapat bernilai benar atau salah secara bersamaan. Namun seberapa besar nilai kebenaran dan kesalahannya tergantung pada derajat keanggotaan yang dimilikinya. Derajat keanggotaan dalam fuzzy memiliki rentang nilai 0 (nol) hingga1(satu). Hal ini berbeda dengan himpunan tegas yang memiliki nilai 1 atau 0 (ya atau tidak). Logika fuzzy digunakan untuk menterjemahkan suatu besaran yang diekspresikan menggunakan bahasa (linguistik), misalkan besaran kecepatan laju kendaraan yang diekspresikan dengan pelan, agak cepat, cepat, dan sangat cepat. Dan logika fuzzy menunjukkan sejauh mana suatu nilai itu benar dan sejauh mana suatu nilai itu salah. Tidak seperti logika tegas, suatu nilai hanya mempunyai 2 kemungkinan yaitu merupakan suatu anggota himpunan atau tidak. Derajat keanggotaan 0 (nol) artinya nilai bukan merupakan anggota himpunan dan 1 (satu) berarti nilai tersebut adalah anggota himpunan. Menurut Kusumadewi, logika fuzzy adalah suatu cara yang tepat untuk memetakan suatu ruang input kedalam suatu ruang output. Fuzzy dinyatakan dalam derajat dari suatu keanggotaan dan derajat dari kebenaran [5] Konsep Himpunan Fuzzy Pada himpunan tegas setiap elemen dalam semestanya selalu ditentukan secara tegas apakah elemen itu merupakan anggota himpunan tersebut atau tidak.tetapi dalam kenyataanya tidak semua himpunan terdefinisi secara tegas. Misalnya himpunan siswa pandai, dalam hal ini tidak bisa dinyatakan dengan tegas karena tidak ada yang
10 dijadikan ukuran untuk tingkat kepandaian seseorang. Oleh karena itu perlu didefinisikan suatu himpunan fuzzy yang bisa menyatakan kejadian tersebut. Himpunan fuzzy didefinisikan sebagai berikut : Menurut Wang (1997 : 21), Himpunan fuzzy A di dalam semesta pembicaraan U didefinisikan sebagai himpunan yang mencirikan suatu fungsi keanggotaan μa(x) yang mengawankan setiap x U dengan bilangan real di dalam interval [0,1] dengan nilai μa(x) menyatakan derajat keanggotaan x di dalam A. Suatu himpunan fuzzy A dapat dinyatakan dengan dua cara, yaitu : a. A = u μa(x) /x Dimana notasi integral melambangkan himpunan semua xx UU bersama dengan derajat keanggotaannya pada himpunan fuzzy A. Cara ini digunakan pada himpunan fuzzy yang anggotanya bernilai kontinu. b. A = ΣU μa(x) /x Dimana notasi sigma melambangkan himpunan semua x U bersama dengan derajat keanggotaannya pada himpunan fuzzy A. Cara ini digunakan pada himpunan fuzzy yang anggotanya bernilai diskrit. Contoh 2.1. Himpunan fuzzy diskrit: Semesta U adalah himpunan bilangan asli kurang dari 10, dinyatakan dengan U = {1, 2, 3, 4, 5, 6, 7, 8, 9}. Himpunan fuzzy bilangan asli sekitar 5 direpresentasikan seperti Gambar 2.2. Gambar 2.4. Representasi himpunan fuzzy bilangan asli sekitar 5 Dengan
11 Himpunan fuzzy bilangan asli sekitar 5 adalah {(0/1), (0.25/2), (0.5/3), (0.75/4, 1/5, 0.75/6, 0.5/7, 0.25/8, 0/9} Contoh 2.2. Himpunan fuzzy kontinu: Semesta U merupakan himpunan semua mahasiswa yang mempunyai IPK [0,4.0]. μipk menunjukkan derajat kepandaian mahasiswa berdasarkan IPK. Himpunan fuzzy kepandaian mahasiswa berdasarkan IPK direpresentasikan seperti Gambar 2.3. Gambar 2.5. Himpunan Fuzzy Kepandaian Mahasiswa Berdasarkan IPK Himpunan fuzzy mahasiswa yang mempunyai derajat kepandaian tinggi adalah : 0/dx x /dx 1/dx Menurut Kusumadewi, himpunan fuzzy memiliki 2 atribut [5], yaitu: a) Linguistik, yaitu penamaan suatu kelompok yang mewakili suatu keadaan atau kondisi tertentu dengan menggunakan bahasa alami, seperti: LAMBAT, SEDANG, CEPAT. b) Numeris, yaitu suatu nilai (angka) yang menunjukkan ukuran dari suatu variabel, seperti: 40, 50, 60, dan sebagainya. Hal hal yang perlu diketahui dalam memahami sistem fuzzy, yaitu: a) Variabel Fuzzy Variabel fuzzy merupakan variabel yang akan dibahas dalam suatu sistem fuzzy, seperti: umur, berat badan, tinggi badan, dan sebagainya. b) Himpunan Fuzzy Himpunan fuzzy merupakan suatu kelompok yang mewakili suatu keadaan tertentu dalam suatu variabel fuzzy.
12 c) Semesta pembicaraan Semesta pembicaraan adalah keseluruhan nilai yang diperbolehkan untuk dioperasikan dalam suatu variabel fuzzy. Nilai semesta pembicaraan dapat berupa bilangan positif maupun negatif. Sebagai contoh, semesta pembicaraan untuk kepandaian mahasiswa adalah [0,4.0]. d) Domain Domain himpunan fuzzy adalah keseluruhan nilai yang diperbolehkan untuk dioperasikan dalam suatu himpunan fuzzy. Nilai domain dapat berupa bilangan positif maupun negatif. Sebagai contoh, domain dari himpunan fuzzy kecepatan adalah sebagai berikut: Rendah : [0, 3.0] Sedang : [2.2, 3.8] Tinggi : [3.0, 4.0] Fungsi Keanggotaan Definisi 2.4 (Klir, 1997 : 75) Setiap himpunan fuzzy A di dalam himpunan universal X, x X dipetakan ke dalam interval [0,1]. Pemetaan dari x X pada interval [0,1] disebut fungsi keanggotaan. Fungsi keanggotaan dari himpunan fuzzy A di dalam semesta X dapat ditulis: A: X [0,1]. Menurut Kusumadewi, fungsi keanggotaan adalah suatu kurva yang menunjukkan pemetaan titik titik input data ke dalam nilai keanggotaannya yang memiliki interval antara 0 sampai 1 [5]. Ada beberapa fungsi yang bisa digunakan. diantaranya, yaitu: a. Representasi Linear Pada representasi linear, pemetaan input ke derajat keanggotannya digambarkan sebagai suatu garis lurus. Ada dua keadaan himpunan fuzzy linear, yaitu linear naik dan linear turun. Representasi himpunan fuzzy linear naik seperti yang ditunjukkan pada Gambar 2.6.
13 Derajat Keanggotaan μ[x] Gambar 2.6 Representasi Linear Naik Fungsi Keanggotaan: (2.4) Keterangan: a = nilai domain yang mempunyai derajat keanggotaan nol b = nilai domain yang mempunyai derajat keanggotaan satu x = nilai input yang akan di ubah ke dalam bilangan fuzzy Representasi himpunan fuzzy linear turun seperti yang ditunjukkan pada Gambar 2.7. Derajat Keanggotaan μ[x] Fungsi Keanggotaan: Gambar 2.7 Representasi Linear Turun Derajat Keanggotaan μ[x] 0 ; (2.5)
14 Keterangan: a = nilai domain yang mempunyai derajat keanggotaan satu b = nilai domain yang mempunyai derajat keanggotaan nol x = nilai input yang akan di ubah ke dalam bilangan fuzzy b. Representasi Kurva Segitiga Kurva Segitiga pada dasarnya merupakan gabungan antara dua garis (linear) seperti terlihat pada Gambar 2.8. Derajat Keanggotaan μ[x] Fungsi Keanggotaan: Gambar 2.8 Representasi Kurva Segitiga 0 ; (2.6) 1 ; Keterangan: a = nilai domain terkecil yang mempunyai derajat keanggotaan nol b = nilai domain yang mempunyai derajat keanggotaan satu c = nilai domain terbesar yang mempunyai derajat keanggotaan nol xx = nilai input yang akan di ubah ke dalam bilangan fuzzy c. Representasi Kurva Trapesium Kurva Trapesium pada dasarnya seperti bentuk segitiga karena merupakan gabungan antara dua garis (linear), hanya saja ada beberapa titik yang memiliki nilai keanggotaan 1. Representasi kurva trapesium ditunjukkan pada Gambar 2.9.
15 Fungsi Keanggotaan: Gambar 2.9 Representasi Kurva Trapesium (2.7) Keterangan: a = nilai domain terkecil yang mempunyai derajat keanggotaan nol b = nilai domain terkecil yang mempunyai derajat keanggotaan satu c = nilai domain terbesar yang mempunyai derajat keanggotaan satu d = nilai domain terbesar yang mempunyai derajat keanggotaan nol x = nilai input yang akan di ubah ke dalam bilangan fuzzy d. Representasi Kurva Bahu Himpunan fuzzy bahu digunakan untuk mengakhiri variabel suatu daerah fuzzy. Bentuk kurva bahu berbeda dengan kurva segitiga, yaitu salah satu sisi pada variabel tersebut mengalami perubahan turun atau naik, sedangkan sisi yang lain tidak mengalami perubahan atau tetap. Bahu kiri bergerak dari benar ke salah, demikian juga bahu kanan bergerak dari salah ke benar. Gambar 2.10 menunjukkan variabel TEMPERATUR dengan daerah bahunya.
16 Gambar 2.10 Daerah bahu pada variabel TEMPERATUR Operasi Himpunan Fuzzy Seperti halnya himpunan bilangan tegas, ada beberapa operasi yang didefinisikan secara khusus untuk mengkombinasikan dan memodifikasi himpunan fuzzy. Nilai keanggotaan sebagai hasil dari operasi dua himpunan yang dikenal dengan nama α- predikat. Menurut Wang (1997 : 29), ada tiga operasi dasar dalam himpunan fuzzy,yaitu komplemen, irisan (intersection) dan gabungan (union). a) Komplemen Operasi komplemen pada himpunan fuzzy adalah sebagai hasil operasi dengan operator NOT diperoleh dengan mengurangkan nilai keanggotaan elemen pada himpunan yang bersangkutan dari 1. A(x) = 1 A(x) b) Irisan (Intersection) Operasi irisan (intersection) pada himpunan fuzzy adalah sebagai hasil operasi dengan operator AND diperoleh dengan mengambil nilai keanggotaan terkecil antar elemen pada himpunan - himpunan yang bersangkutan. (A B)(x) = min [A(x), B(x)]
17 c) Gabungan (Union) Operasi gabungan (union) pada himpunan fuzzy adalah sebagai hasil operasi dengan operator OR diperoleh dengan mengambil nilai keanggotaan terbesar antar elemen pada himpunan - himpunan yang bersangkutan. (A B)(x) = max [A(x), B(x)] Fungsi Implikasi Tiap tiap aturan (proposisi) pada basis pengetahuan fuzzy akan berhubungan dengan suatu relasi fuzzy. Bentuk umum dari aturan yang digunakan dalam fungsi implikasi adalah: IF x is A THEN y is B dengan x dan y adalah skalar, dan A dan B adalah himpunan fuzzy. Proposisi yang mengikuti IF disebut sebagai anteseden, sedangkan proporsi yang mengikuti THEN disebut sebagai konsekuen Sistem Berbasis Aturan Fuzzy Pendekatan logika fuzzy diimplementasikan dalam tiga tahapan, yakni: fuzzyfikasi, evaluasi rule (inferensi), dan defuzzifikasi. Gambar Tahapan sistem berbasis aturan fuzzy 1. Fuzzyfikasi Fuzzyfikasi merupakan fase pertama dari perhitungan fuzzy, yaitu mengubah masukan - masukan yang nilai kebenarannya bersifat pasti ke dalam bentuk fuzzy input yang berupa tingkat keanggotaan / tingkat kebenaran. Dengan demikian, tahap ini mengambil nilai-nilai crisp dan menentukan derajat di mana nilai-nilai tersebut menjadi anggota dari setiap himpunan fuzzy yang sesuai. 2. Inferensi Inferensi adalah melakukan penalaran menggunakan fuzzy input dan fuzzy rules yang telah ditentukan sehingga menghasilkan fuzzy output. Secara sintaks, suatu fuzzy rule (aturan fuzzy) dituliskan sebagai berikut: IF antecendent THEN consequent
18 3. Defuzzifikasi Defuzzifikasi adalah mengubah fuzzy output menjadi nilai tegas berdasarkan fungsi keanggotaan yang telah ditentukan. Defuzzifikasi merupakan metode yang penting dalam pemodelan sistem fuzzy. 2.6 Metode Fuzzy Mamdani Salah satu aplikasi logika fuzzy yang telah berkembang amat luas dewasa ini adalah sistem inferensi fuzzy (Fuzzy Inference System / FIS), yaitu kerangka komputasi yang didasarkan pada teori himpunan fuzzy, aturan fuzzy berbentuk IF THEN, dan penalaran fuzzy. Misalnya dalam penentuan status gizi, produksi barang, sistem pendukung keputusan, penentuan kebutuhan kalori harian, dan sebagainya. Ada tiga metode dalam sistem inferensi fuzzy yang sering digunakan, yaitu metode Tsukamoto, metode Mamdani, dan metode Takagi Sugeno. Dalam penelitian ini akan dibahas penentuan status gizi menggunakan metode Mamdani. Sistem ini berfungsi untuk mengambil keputusan melalui proses tertentu dengan mempergunakan aturan inferensi berdasarkan logika fuzzy. Metode Mamdani sering dikenal dengan nama Metode Min Max. Metode ini diperkenalkan oleh Ebrahim Mamdani pada tahun Untuk mendapatkan output, diperlukan 4 tahapan: 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 Min. 3) Komposisi Aturan Apabila sistem terdiri dari beberapa aturan, maka inferensi diperoleh dari gabungan antar aturan. Ada tiga metode yang digunakan dalam melakukan inferensi sistem fuzzy, yaitu: max, additive dan probabilistik OR (probor). a. Metode Max (Maximum) Pada metode ini, solusi himpunan fuzzy diperoleh dengan cara mengambil nilai maksimum aturan, kemudian menggunakannya untuk memodifikasi daerah fuzzy, dan mengaplikasikannya ke output dengan menggunakan operator OR (union). Jika semua
19 proposisi telah dievaluasi, maka output akan berisi suatu himpunan fuzzy yang merefleksikan konstribusi dari tiap-tiap proposisi. Secara umum dapat dituliskan: Usf[xi] = max (Usf[xi], Ukf[xi]) (2.8) Keterangan: Usf[xi] = nilai keanggotaan solusi fuzzy sampai aturan ke-i; Ukf[xi] = nilai keanggotaan konsekuen fuzzy aturan ke-i. b. Metode Additive (Sum) Pada metode ini, solusi himpunan fuzzy diperoleh dengan cara melakukan boundedsum terhadap semua output daerah fuzzy. Secara umum dituliskan: Usf[xi]=min (1, Usf[xi]+Ukf[xi]) (2.9) Keterangan: μsf[xi] = nilai keanggotaan solusi fuzzy sampai aturan ke-i; μkf[xi] = nilai keanggotaan konsekuen fuzzy aturan ke-i. c. Metode Probabilistik OR (probor) Pada metode ini, solusi himpunan fuzzy diperoleh dengan cara melakukan product terhadap semua output daerah fuzzy. Secara umum dituliskan: Usf[xi]=(Usf[xi]+Ukf[xi] - (Usf[xi]. Ukf[xi])) (2.10) Keterangan: Usf[xi] = nilai keanggotaan solusi fuzzy sampai aturan ke-i; Ukf[xi] = nilai keanggotaan konsekuen fuzzy aturan ke-i. 4) Penegasan (defuzzifikasi) Input dari proses defuzzifikasi adalah suatu himpunan fuzzy yang diperoleh dari suatu komposisi aturan aturan fuzzy, sedangkan output yang dihasilkan merupakan suatu bilangan pada himpunan fuzzy tersebut. Sehingga jika diberikan suatu himpunan fuzzy dalam range tertentu, maka harus dapat diambil suatu nilai crisp tertentu sebagai output.
20 Menurut Kusumadewi (2004 : 44), ada beberapa metode defuzzifikasi pada komposisi aturan Mamdani, antara lain: a) Metode Centroid (Composite Moment) Pada metode ini, solusi crisp diperoleh dengan cara mengambil titik pusat daerah fuzzy. Secara umum dirumuskan: (2.11) Keterangan: Z = nilai domain ke i, μ (Z) = derajat keanggotaan titik tersebut, Z 0 = nilai hasil penegasan (defuzzyfikasi). (2.12) Keterangan: Z = nilai hasil penegasan (defuzzyfikasi) di = nilai keluaran pada aturan ke i UAi (di) = derajat keanggotaan nilai keluaran pada aturan ke i n = banyaknya aturan yang digunakan. b) Metode Bisektor Pada metode ini, solusi crisp diperoleh dengan cara mengambil nilai pada domain fuzzy yang memiliki nilai keanggotaan setengah dari jumlah total nilai keanggotaan pada daerah fuzzy. Secara umum dituliskan: Keterangan: d = nilai hasil penegasan (defuzzyfikasi), di = nilai keluaran pada aturan ke-i, UAi (di) = derajat keanggotaan nilai keluaran pada aturan ke i, n = banyak aturan yang digunakan (2.13)
21 c) Metode Mean of Maksimum (MOM) Pada metode ini, solusi crisp diperoleh dengan cara mengambil nilai rata rata domain yang memiliki nilai keanggotaan maksimum. d) Metode Largest of Maximum (LOM) Pada metode ini, solusi crisp diperoleh dengan cara mengambil nilai terbesar dari domain yang memiliki nilai keanggotaan maksimum. e) Metode Smallest of Maximum (SOM) Pada metode ini, solusi crisp diperoleh dengan cara mengambil nilai terkecil dari domain yang memiliki nilai keanggotaan maksimum. 2.7 Bahasa Pemograman Sistem Pengeanalan Visual Basic.Net Microsoft Visual Basic.NET adalah sebuah alat untuk mengembangkan dan membangun aplikasi yang bergerak di atas sistem.net Framework, dengan menggunakan bahasa BASIC. Dengan menggunakan alat ini, para programmer dapat membangun aplikasi Windows Forms, Aplikasi web berbasis ASP.NET, dan juga aplikasi command-line. Alat ini dapat diperoleh secara terpisah dari beberapa produk lainnya (seperti Microsoft Visual C++, Visual C#, atau Visual J#), atau juga dapat diperoleh secara terpadu dalam Microsoft Visual Studio.NET. Bahasa Visual Basic.NET sendiri menganut paradigma bahasa pemrograman berorientasi objek yang dapat dilihat sebagai evolusi dari Microsoft Visual Basic versi sebelumnya yang diimplementasikan di atas.net Framework. Peluncurannya mengundang kontroversi, mengingat banyak sekali perubahan yang dilakukan oleh Microsoft, dan versi baru ini tidak kompatibel dengan versi terdahulu. Versi pertama dari Visual Basic.NET adalah Visual Basic.NET 2002 yang dirilis pertama kali pada bulan Februari Visual Basic.NET 2002 merupakan sebuah bahasa pemrograman visual yang berbasis bahasa BASIC (sama seperti halnya Visual Basic 6.0, tetapi lebih disempurnakan dan lebih berorientasi objek), dan didesain untuk berjalan di atas Microsoft.NET Framework versi 1.0.
22 2.7.2 Pengenalan Database MySQL MySQL adalah sebuah perangkat lunak sistem manajemen basis data SQL (bahasa Inggris: database management system) atau DBMS yang multithread, multi-user, populer dan bersifat gratis. MySQL AB merupakan perusahaan yang membuat MySQL tersedia sebagai perangkat lunak gratis dibawah lisensi GNU General Public License (GPL), tetapi mereka juga menjual dibawah lisensi komersial untuk kasuskasus dimana penggunaannya tidak cocok dengan penggunaan GPL. Tidak sama dengan proyek-proyek seperti Apache, dimana perangkat lunak dikembangkan oleh komunitas umum, dan hak cipta untuk kode sumber dimiliki oleh penulisnya masing-masing, MySQL dimiliki dan disponsori oleh sebuah perusahaan komersial Swedia MySQL AB, dimana memegang hak cipta hampir atas semua kode sumbernya. Kedua orang Swedia dan satu orang Finlandia yang mendirikan MySQL AB adalah: David Axmark, Allan Larsson, dan Michael Monty Widenius. MySQL adalah Relational Database Management System (RDBMS) yang didistribusikan secara gratis dibawah lisensi GPL (General Public License). Dimana setiap orang bebas untuk menggunakan MySQL, namun tidak boleh dijadikan produk turunan yang bersifat closed source atau komersial. MySQL sebenarnya merupakan turunan salah satu konsep utama dalam database sejak lama, yaitu SQL (Structured Query Language). SQL adalah sebuah konsep pengoperasian database, terutama untuk pemilihan atau seleksi dan pemasukan data, yang memungkinkan pengoperasian data dikerjakan dengan mudah secara otomatis. Keandalan suatu sistem database (DBMS) dapat diketahui dari cara kerja optimizer-nya dalam melakukan proses perintahperintah SQL, yang dibuat oleh user maupun program-program aplikasinya. Sebagai database server, MySQL dapat dikatakan lebih unggul dibandingkan database server lainnya dalam query data. Hal ini terbukti untuk query yang dilakukan oleh single user, kecepatan query MySQL bisa sepuluh kali lebih cepat dari PostgreSQL dan lima kali lebih cepat dibandingkan Interbase.
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 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 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 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA Pada bab ini penulis akan menjelaskan mengenai landasan teori yang digunakan pada penelitian ini. Penjabaran ini bertujuan untuk memberikan pemahaman lebih mendalam kepada penulis
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI. Himpunan Himpunan adalah setiap daftar, kumpulan atau kelas objek-objek yang didefenisikan secara jelas, objek-objek dalam himpunan-himpunan yang dapat berupa apa saja: bilangan, orang,
Lebih terperinciBAB 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 mengenai ketidakpastian
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 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 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 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 terperinciAPLIKASI METODE MAMDANI DALAM PENENTUAN STATUS GIZI DENGAN INDEKS MASSA TUBUH (IMT) MENGGUNAKAN LOGIKA FUZZY SKRIPSI
APLIKASI METODE MAMDANI DALAM PENENTUAN STATUS GIZI DENGAN INDEKS MASSA TUBUH (IMT) MENGGUNAKAN LOGIKA FUZZY SKRIPSI Diajukan kepada Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Negeri Yogyakarta
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 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 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 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 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 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 terperinciPenggunaan Mamdani Fuzzy Expert System untuk Mengevaluasi Kinerja Dosen
Penggunaan Mamdani Fuzzy Expert System untuk Mengevaluasi Kinerja Dosen Dwi Rolliawati Fakultas Ilmu Komputer, Sistem Komputer, Universitas Narotama dwi.roliawati@narotama.ac.id Abstrak Dosen sebagai pendidik
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 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 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 terperinciPenerapan Metode Fuzzy Mamdani Pada Rem Otomatis Mobil Cerdas
Penerapan Metode Fuzzy Mamdani Pada Rem Otomatis Mobil Cerdas Zulfikar Sembiring Jurusan Teknik Informatika, Fakultas Teknik, Universitas Medan Area zoelsembiring@gmail.com Abstrak Logika Fuzzy telah banyak
Lebih terperinciBAB 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 Sistem Pendukung Keputusan Sistem Pendukung Keputusan dapat diartikan sebagai sebuah sistem yang dimaksudkan untuk mendukung para pengambil keputusan dalam situasi tertentu. Sistem
Lebih terperinciBAB II. KAJIAN PUSTAKA. Menurut Gorry dan Scott (1970) dalam Turban (2005) Sistem Pendukung
BAB II. KAJIAN PUSTAKA A. Sistem Pendukung Keputusan Menurut Gorry dan Scott (1970) dalam Turban (2005) Sistem Pendukung Keputusan (DSS) merupakan sistem berbasis komputer interaktif, yang membantu para
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 terperinciBab 2 LANDASAN TEORI
Bab 2 LANDASAN TEORI 2.1 Persediaan 2.1.1 Definisi Persediaan Persediaan adalah bahan atau barang yang disimpan yang akan digunakan untuk memenuhi tujuan tertentu, misalnya untuk proses produksi atau perakitan,
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 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 terperinciIMPLEMENTASI LOGIKA FUZZY MAMDANI UNTUK MENENTUKAN HARGA GABAH
LAPORAN TUGAS AKHIR IMPLEMENTASI LOGIKA FUZZY MAMDANI UNTUK MENENTUKAN HARGA GABAH Laporan ini disusun Guna memenuhi salah satu syarat untuk menyelesaikan program studi Teknik Informatika S-1 pada Fakultas
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 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 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 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 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 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 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 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 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. Universitas Sumatera Utara
BAB 1 PENDAHULUAN 1.1. Latar Belakang Berdasarkan ideologi bangsa Pancasila dan UUD 1945 maka setiap rakyat indonesia sangat mengidamkan negara yang sejahtera. Hal ini dikarenakan, negara yang sejahtera
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 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 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 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 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 terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Logika Fuzzy Logika Fuzzy pertama kali dikembangkan oleh Lotfi A. Zadeh pada tahun1965. Teori ini banyak diterapkan di berbagai bidang, antara lain representasipikiran manusia
Lebih 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 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 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 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 terperinciPenerapan FuzzyTsukamotodalam Menentukan Jumlah Produksi
Penerapan FuzzyTsukamotodalam Menentukan Jumlah Produksi Berdasarkan Data Persediaan dan Jumlah Permintaan Ria Rahmadita Surbakti 1), Marlina Setia Sinaga 2) Jurusan Matematika FMIPA UNIMED riarahmadita@gmail.com
Lebih terperinciJurnal Informatika SIMANTIK Vol. 2 No. 2 September 2017 ISSN:
PENERAPAN LOGIKA FUZZY UNTUK MENENTUKAN MAHASISWA BERPRESTASI DI STMIK CIKARANG MENGGUNAKAN JAVA NETBEANS DAN MYSQL Ema Dili Giyanti 1), Ali Mulyanto 2) 1) Program Studi Teknik Informatika, STMIK Cikarang
Lebih 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 terperinciSISTEM PAKAR MENGGUNAKAN MESIN INFERENSI FUZZY. Wilis Kaswidjanti. Abstrak
Jurnal Teknik Elektro Vol. No. Juli - Desember 0 9 SISTEM PAKAR MENGGUNAKAN MESIN INFERENSI FUZZY Wilis Kaswidjanti Abstrak Salah satu cara untuk menangani ketidakpastian pada bidang sistem pakar dapat
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 terperinciBAB II KAJIAN PUSTAKA. mengikuti sertifikasi, baik pendidikan gelar (S-1, S-2, atau S-3) maupun nongelar (D-
BAB II KAJIAN PUSTAKA A. Kualifikasi Akademik Ditjendikti - kemendiknas, (2010) menyatakan bahwa kualifikasi akademik adalah ijazah pendidikan tinggi yang dimiliki oleh guru pada saat yang bersangkutan
Lebih terperinciBAB I PENDAHULUAN. Perkembangan komputer sekarang ini sangat pesat dan salah. satu pemanfaatan komputer adalah dalam bidang kecerdasan buatan.
BAB I PENDAHULUAN 1.1 Latar Belakang Perkembangan komputer sekarang ini sangat pesat dan salah satu pemanfaatan komputer adalah dalam bidang kecerdasan buatan. Di dalam bidang kecerdasan buatan, termasuk
Lebih terperinciLOGIKA SAMAR (FUZZY LOGIC)
LOGIKA SAMAR (FUZZY LOGIC) 2. Himpunan Samar 2.. Himpunan Klasik dan Himpunan Samar Himpunan klasik merupakan himpunan dengan batasan yang tegas (crisp) (Jang, Sun, dan Mizutani, 24). Sebagai contoh :
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 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 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 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 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 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 terperinciPenerapan Fuzzy Mamdani Pada Penilaian Kinerja Dosen (Studi Kasus STMIK Kaputama Binjai)
Penerapan Fuzzy Mamdani Pada Penilaian Kinerja Dosen (Studi Kasus STMIK Kaputama Binjai) Magdalena Simanjuntak 1), Achmad Fauzi 2) Program Studi Teknik Informatika STMIK Kaputama 1) Program Studi Manajemen
Lebih terperinciIMPLEMENTASI METODE FUZZY INFERENCE SYSTEM (FIS) MAMDANI DALAM PEMILIHAN PEKERJAAN BAGI LULUSAN IBI DARMAJAYA
IMPLEMENTASI METODE FUZZY INFERENCE SYSTEM (FIS) MAMDANI DALAM PEMILIHAN PEKERJAAN BAGI LULUSAN IBI DARMAJAYA Asri Bunga Renjani* 1, Yulmaini 2 Bandar Lampung, Telp. 0721-787214, Fax. 0721-700261 1,2 Teknik
Lebih terperinci( ) ( ;,, ) Π(,, ) ( ;, ) ( ;, ) ( ) BAB I PENDAHULUAN A. Latar Belakang Masalah Provinsi Daerah Istimewa Yogyakarta merupakan salah satu kota tujuan wisata yang cukup menarik minat para wisatawan baik
Lebih terperinciBAB II LANDASAN TEORI. lingkungan, interaksi unsur dengan suatu tujuan yang akan dicapai. Berikut ini pengertian sistem menurut beberapa ahli:
BAB II LANDASAN TEORI 2.1. Konsep Dasar Sistem Pengertian suatu sistem tentu mempunyai beberapa persyaratan umum, persyaratan umum tersebut adalah bahwa sistem harus mempunyai unsur lingkungan, interaksi
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.. Logika Klasik Notasi logika fuzzy didasarkan dari logika klasik atau sering juga disebut sebagai himpunan tegas (crisp) dengan mengubah menjadi notasi kalkulus, dengan demikian
Lebih terperinciIMPLEMENTASI LOGIKA FUZZY MAMDANI UNTUK MENENTUKAN HARGA GABAH
IMPLEMENTASI LOGIKA FUZZY MAMDANI UNTUK MENENTUKAN HARGA GABAH Reino Adi Septiawan Program Studi Teknik Informatika S1 Fakultas Ilmu Komputer Universitas Dian Nuswantoro Semarang Email : a11.2009.04948@gmail.com
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 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 terperinciPENGENDALIAN KECEPATAN KENDARAAN RODA EMPAT DENGAN MENGGUNAKAN FUZZY INFERENCE SYSTEM METODE MAMDANI
Buletin Ilmiah Math. Stat. dan Terapannya (Bimaster) Volume 03, No. (204), hal 39-46. PENGENDALIAN KECEPATAN KENDARAAN RODA EMPAT DENGAN MENGGUNAKAN FUZZY INFERENCE SYSTEM METODE MAMDANI Yoakim Marinus
Lebih terperinciBAB 2 2. LANDASAN TEORI
BAB 2 2. LANDASAN TEORI Bab ini akan menjelaskan mengenai logika fuzzy yang digunakan, himpunan fuzzy, penalaran fuzzy dengan metode Sugeno, dan stereo vision. 2.1 Logika Fuzzy Logika fuzzy adalah suatu
Lebih terperinciBAB 2 LANDASAN TEORI
8 BAB 2 LANDASAN TEORI 2.1 Sistem Data dan Informasi Kata system berasal dari bahasa yunani Sistem yang berarti kesatuan. Sistem adalah kumpulan eleman yang berhubungan, berinteraksi dan bergantungan satu
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 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 PAKAR UNTUK MENENTUKAN TIPE AUTISME PADA ANAK USIA 7-10 TAHUN MENGGUNAKAN METODE FORWARD CHAINING. Agam Krisna Setiaji
1 SISTEM PAKAR UNTUK MENENTUKAN TIPE AUTISME PADA ANAK USIA 7-10 TAHUN MENGGUNAKAN METODE FORWARD CHAINING Agam Krisna Setiaji Program Studi Teknik Informatika Fakultas Ilmu Komputer Universitas Dian Nuswantoro,
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 terperinci1.1. Latar Belakang Masalah
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Salah satu aplikasi sistem cerdas yang paling sukses dan masih berkembang saat ini yaitu peramalan beban listrik. Peramalan beban listrik adalah suatu ilmu
Lebih terperincike dalam suatu ruang output. Orang yang belum pernah mengenal logika fuzzy pasti
BAB II LANDASAN TEORI 2.1 Logika Fuzzy Logika fuzzy adalah suatu cara yang tepat untuk memetakan suatu ruang input ke dalam suatu ruang output. Orang yang belum pernah mengenal logika fuzzy pasti akan
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 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 terperinciMenentukan Jumlah Produksi Berdasarkan Permintaan dan Persediaan Dengan Logika Fuzzy Menggunakan Metode Mamdani
Menentukan Jumlah Produksi Berdasarkan Permintaan dan Persediaan Dengan Logika Fuzzy Menggunakan Metode Mamdani Anitaria Simanullang 1), Marlina Setia Sinaga 2) Jurusan Matematika FMIPA UNIMED anitaria.simanullang@gmail.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 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 terperinciPERBANDINGAN METODE TSUKAMOTO, METODE MAMDANI DAN METODE SUGENO UNTUK MENENTUKAN PRODUKSI DUPA (Studi Kasus : CV. Dewi Bulan)
PERBANDINGAN METODE TSUKAMOTO, METODE MAMDANI DAN METODE SUGENO UNTUK MENENTUKAN PRODUKSI DUPA (Studi Kasus : CV. Dewi Bulan) Komang Wahyudi Suardika 1, G.K. Gandhiadi 2, Luh Putu Ida Harini 3 1 Program
Lebih terperinciBAB 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 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 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 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 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 terperinciANALISIS KEPUASAN KONSUMEN BERDASARKAN TINGKAT PELAYANAN DAN HARGA KAMAR MENGGUNAKAN APLIKASI FUZZY DENGAN MATLAB 3.5.
ANALISIS KEPUASAN KONSUMEN BERDASARKAN TINGKAT PELAYANAN DAN HARGA KAMAR MENGGUNAKAN APLIKASI FUZZY DENGAN MATLAB 3.5. Indah Pratiwi Jurusan Teknik Industri, Universitas Muhammadiyah Surakarta Jl. A. Yani
Lebih terperinciBAB II DASAR TEORI 2.1. Logika Fuzzy Defenisi Logika Fuzzy Himpunan Fuzzy
BAB II DASAR TEORI 2.1. Logika Fuzzy 2.1.1. Defenisi Logika Fuzzy Dalam bahasa inggris, fuzzy mempunyai arti kabur atau tidak jelas. Jadi, logika fuzzy adalah logika kabur, fuzzy atau mengandung unsur
Lebih terperinciPEMODELAN SISTEM FUZZY DENGAN MENGGUNAKAN MATLAB
PEMODELAN SISTEM FUZZY DENGAN MENGGUNAKAN MATLAB Afan Galih Salman Jurusan Teknik Informatika, Fakultas Ilmu Komputer, Bina Nusantara University Jln. K.H. Syahdan No 9, Palmerah, Jakarta Barat 11480 asalman@binus.edu
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 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 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 terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA Bab ini berisi tentang pemahaman dari logika fuzzy dan data mining. Pada bab ini juga akan dijelaskan bagian-bagian yang perlu diketahui dalam logika fuzzy dan data mining, sehingga
Lebih terperinci