INFORMATIKA JURNAL INFORMATIKA ISSN : VOL. 2, No.2, Maret 2014
|
|
- Sugiarto Budiman
- 7 tahun lalu
- Tontonan:
Transkripsi
1
2 PEMIMPIN UMUM Drs. H. AM. Effendi Sangkim, Msi PEMIMPIN REDAKSI Kusnita Yusmiarti, S.Kom.,M.Kom WAKIL PEMIMPIN REDAKSI M. Junius Effendi, S.Kom.,M.Kom Medi Triawan, S.Kom.,M.Kom KONSULTAN AHLI Dr. Zakaria Wahab, MBA DEWAN REDAKSI Nisma Aprini, S.P., M.Si Heriansyah, S.Kom.,M.Kom Marko Ilpiyanto, S.E.,M.M Zulaiha, S.E.,M.A PENYUNTING AHLI M. Junius Effendi, S.Kom.,M.Kom Medi Triawan, S.Kom.,M.Kom SEKRETARIS REDAKSI Yulia Misrania, S.E Yadi Maryadi, S.E DISTRIBUTOR Firdaus, S.Pd Ipriansyah, Amd.Kom Ruhil Baki, Amd.Kom PEMIMPIN USAHA Chusnul Chotimah, SE INFORMATIKA JURNAL INFORMATIKA ISSN : VOL. 2, No.2, Maret 2014 DITERBITKAN OLEH : LEMBAGA PENELITIAN & PENGABDIAN MASYARAKAT (LPPM) AKADEMI MANAJEMEN INFORMATIKA dan KOMPUTER (AMIK) LEMBAH DEMPO PAGARALAM Jl. H. Sidik Adim No. 98 Airlaga, Pagaralam Utara. Telp. (0730) , Fax (0730)
3 12 FUZZY LOGIC MAMDANI UNTUK MERAMALKAN DAN MENENTUKAN JUMLAH PRODUKSI TEH PADA PTPN VII (PERSERO) (STUDI KASUS DI UNIT USAHA PAGAR ALAM SUMATERA SELATAN) Medi Triawan* medymeu@rocketmail.com Abstract This research purposes to predict and determine the amount of production Tea Grade I on the company PTPN VII in the city of Pagar Alam business unit by applying the theory of fuzzy logic using Mamdani method, so it can later be used as input for the picture and PTPN VII in producing its products. Mamdani fuzzy logic has 4 stages Fuzzyfikasi, Establishment of Knowledge Base (Rule In Form IF.. THEN), Implications and Applications Function Confirmation or defuzzyfication. In proving the results of research by the author to test theories and methods applied by using Matlab software and the results are quite accurate. Keywords: Fuzzy Logic, Mamdani, Production Prediction, Matlab I. PENDAHULUAN PT Perkebunan Nusantara VII (persero) adalah salah satu Badan Usaha Milik Negara (BUMN) dalam sektor perkebunan Teh yang terletak dikota Pagar Alam Sumatera Selatan dan berdiri berdasarkan akta Notaris: 40 tanggal 11 Maret Dilihat dari kemajuan perusahaan PTPN VII (persero) Pagar Alam yang semakin meningkat dan seiring perkembangannya perusahaan Teh yang terus bertambah membuat persaingan semakin meningkat dalam produksi dan penjualan Teh. Logika fuzzy dapat memecahkan permasalahan dalam ketidak jelasan atau data tidak tepat dalam proses pengambilan keputusan. Sistem Fuzzy Inference (FIS) menggunakan fuzzy set dan aturan "IF-THEN" yang relevan dengan fuzzy set untuk membuat keputusan tentang informasi yang tidak lengkap atau samar, metode Mamdani dan Sugeno merupakan dua sistem inferensi paling sering sering digunakan di Matlab, algoritma Mamdani digunakan untuk menentukan output (Singh, et al, 2012). Mamdani memperkenalkan fuzzifikasi, inferensi dan skema defuzzifikasi yang umumnya disebut sebagai metode max-min, hal ini memungkinkan mencapai penalaran perkiraan yang merupakan salah satu aspek penting dari metode Mamdani (Basu, 2012). Berdasarkan hal tersebut, timbul suatu permasalahan yaitu bagaimana meramalkan dan menentukan jumlah produk yang akan diproduksi oleh PTPN VII (persero) pada masa yang akan datang dengan menggunakan aplikasi Matlab, dengan adanya aplikasi tersebut nantinya diharapkan dapat membantu dalam meramalkan jumlah produksi Teh pada PTPN VII (persero) Unit Usaha Pagar Alam Sumatera Selatan. A. Perumusan Masalah Berdasarkan uraian latar belakang di atas, maka dapat dirumuskan permasalahan yang akan diambil yaitu : 12
4 Bagaimana menerapkan teori Fuzzy Logic dengan metode Mamdani dalam memprediksi jumlah produksi Teh Kering Grade I? 2. Bagaimana meramalkan jumlah produksi Teh Kering Grade I pada PTPN VII (Persero) Unit Usaha Pagar Alam berdasarkan bahan baku, jumlah stock, pengiriman, dan produksi? 3. Bagaimana memprediksi jumlah produksi berdasarkan variabelvariabel yang telah ditentukan? B. Batasan Masalah Supaya penelitian ini tidak keluar dari bahasan, maka diperlukan batasan-batasan agar sesuai dengan apa yang sudah direncanakan sebelumnya, sehingga penelitian ini dapat tercapai dengan yang diharapkan, berikut ini merupakan batasan masalah pada penulisan Tesis ini yaitu : 1. Sampel data produk yang digunakan untuk penelitian ini adalah produksi Teh Kering Grade I pada PTPN VII (Persero) Unit Usaha Pagar Alam Sumatera Selatan. 2. Banyaknya variabel yang digunakan dalam pengambilan keputusan untuk menentukan jumlah produksi Teh Kering Grade I ada 4 variabel, yaitu bahan baku, jumlah stock, pengiriman, dan produksi. 3. Menerapkan Fuzzy logic dengan metode Mamdani dalam memprediksi jumlah produksi Teh Kering Grade I pada PTPN VII (Persero) Unit Usaha Pagar Alam Sumatera Selatan. C. Tujuan Penelitian Tujuan dari penelitian ini adalah : 1. Membuat model prediksi untuk menentukan berapa jumlah produksi Teh Kering Grade I pada PTPN VII (Persero) Unit Usaha Pagar Alam berdasarkan konsep fuzzy logic dengan metode Mamdani. 2. Mengimplementasikan model prediksi pada software Matlab dalam menganalisa jumlah produksi Teh Kering Grade I pada PTPN VII (Persero) Unit Usaha Pagar Alam. 3. Menguji model prediksi yang telah dirancang dengan menggunakan metode Mamdani yang memanfaatkan tools software Matlab D. Manfaat Penelitian Manfaat dari penelitian ini antara lain : 1. Untuk menambah pengetahuan dan wawasan baru bagi penulis dalam penentuan jumlah produksi Teh Kering Grade I pada PTPN VII (Persero) Unit Usaha Pagar Alam Sumatera Selatan dangan menggunakan sistem Fuzzy logic dan metode Mamdani. 2. Sebagai bahan perbandingan dan masukan bagi PTPN VII (Persero) Unit Usaha Pagar Alam Sumatera Selatan dalam mengambil suatu keputusan untuk menentukan jumlah produksi Teh Kering Grade I. II. LANDASAN TEORI A. Fuzzy Logic Konsep logika fuzzy pertama kali diperkenalkan oleh Professor Lotti A. Zadeh dari Universitas California tahun Logika fuzzy merupakan generalisasi dari logika klasik (Crisp Set) yang hanya memiliki dua nilai keanggotaan yaitu
5 dan 1. Dalam logika fuzzy nilai kebenaran suatu pernyataan berkisar dari sepenuhnya benar sampai dengan sepenuhnya salah. Menurut Harmanjit Singh, et al. (2012), logika fuzzy dapat memecahkan permasalahan dalam ketidak jelasan atau data tidak tepat dalam proses pengambilan keputusan. Sistem Fuzzy Inference (FIS) menggunakan fuzzy set dan aturan "IF-THEN" yang relevan dengan fuzzy set untuk membuat keputusan tentang informasi yang tidak lengkap atau samar. B. Himpunan Fuzzy Menurut Yuni Widhiastiwi (2007), himpunan fuzzy merupakan suatu group yang mewakili suatu kondisi atau keadaan tertentu dalam suatu variable fuzzy. Pada himpunan tegas (crisp), nilai keanggotaan suatu item x dalam suatu himpunan A, yang sering ditulis dengan fla[x], memiliki dua kemungkinan, yaitu : Satu (I), yang berarti bahwa suatu item menjadi angota dalam suatu himpunan atau Nol (0), yang berarti bahwa suatu item tidak menjadi anggota dalam suatu himpunan. C. Operator Dasar Zadeh Untuk Operasi Himpunan Fuzzy Menurut Kusumadewi dan Purnomo (2010), ada 3 operator dasar yang diciptakan oleh Zadeh mengenai operasi himpunan fuzzy, yaitu : 1. Operator AND Operator ini berhubungan dengan operasi interseksi pada himpunan. α-predikat sebagai hasil operasi dengan operator AND diperoleh dengan mengambil nilai keanggotaan terkecil antarelemen pada himpunanhimpunan yang bersangkutan. µ A B = min(µ A (x),µ B (y)) [2.5] 2. Operator OR Operator ini berhubungan dengan operasi union pada himpunan. α-predikat sebagai hasil operator OR diperoleh dengan mengambil nilai keanggotaan terbesar antarelemen pada himpunanhimpunan yang bersangkutan. µ A B = max(µ A (x),µ B (y)) [2.6] 3. Operator NOT Operator ini berhubungan operasi komplemen pada himpunan. α-predikat sebagai hasil operasi dengan operator NOT diperoleh dengan mengurangkan nilai keanggotaan elemen pada himpunan yang bersangkutan dari 1. µ A = 1-µ A (x) [2.7] D. Implikasi Menurut Eng. Agus Naba (2009), implikasi adalah proses mendapatkan consequent atau keluaran sebuah IF-THEN rule berdasarkan derajat kebenaran antecedent, namun ketika rule diberi bobot maka keluaran IF-THEN rule juga harus dikalikan dengan bobot tersebut. Dua fungsi yang sering digunakan dalam implikasi adalah min dan prod. E. Agregasi Menurut Eng. Agus Naba (2009), agregasi adalah proses mengkombinasikan keluaran IF- THEN rule menjadi sebuah fuzzy set tunggal, jika bagian consequent terdiri lebih dari satu pernyataan maka proses
6 154 agregasi dilakukan secara terpisah untuk tiap variabel keluaran IF-THEN rule. Pada dasarnya agregasi adalah operasi fuzzy logic OR dengan masukanya adalah semua fuzzy set keluaran dari IF-THEN rule. Tiga fungsi yang sering dipakai dalam agregasi adalah max, probor (probabilistic OR) dan sum. F. Defuzzifikasi Kalau masukan fuzzifikasi adalah sebuah bilangan tunggal, yaitu harga variabel masukan dan keluaranya adalah derajat keanggotaan dalam suatu fuzzy set dalam antecedent, maka masukan dan keluaran defuzzifikasi adalah kebalikanya. Masukan defuzzifikasi adalah sebuah fuzzy set (dalam hal ini fuzzy set hasil agregasi) dan keluaranya adalah sebuah bilangan tunggal untuk diisikan ke sebuah variabel keluaran FIS, (Eng. Agus Naba, 2009). G. Fungsi Keanggotaan Menurut T. Sutojo, et al. (2011), fungsi keanggotaan adalah grafik yang mewakili besar dari derajat keanggotaan masing-masing variabel input yang berada dalam interval antara 0 dan 1. Derajat keanggotaan sebuah variabel x dilambangkan dengan simbol µ(x). Ada beberapa fungsi keanggotaan yang sering digunakan, di antaranya adalah : 1. Grafik Keanggotaan Kurva Linier Pada grafik keanggotaan linier, sebuah variabel input dipetakan ke derajat keanggotaanya dengan digambarkan sebagai suatu garis lurus. Ada 2 grafik keanggotan linier, pertama grafik keanggotaan kurva linier naik : a. Grafik keanggotaan kurva linier naik, yaitu kenaikan himpunan fuzzy dimulai pada nilai domain yang memiliki derajat keanggotaan nol [0] bergerak ke kanan menuju ke nilai domain yang memiliki derajat keanggotaan lebih tinggi b. Grafik keanggotaan kurva linier turun, yaitu himpunan fuzzy dimulai dari nilai domain dengan derajat keanggotaan tertinggi pada sisi kiri, kemudian bergerak menurun ke nilai domain yang memiliki derajat keanggotaan lebih rendah 2. Grafik Keanggotaan Kurva Segitiga 3. Grafik Keanggotaan Kurva Bentuk Bahu H. Sistem Inferensi Fuzzy Menurut Kusumadewi dan Hartati (2010), sistem inferensi fuzzy (Fuzzy Inference System atau FIS) merupakan kerangka komputasi yang didasarkan pada teori himpunan Fuzzy, aturan Fuzzy berbentuk IF- THEN, dan penalaran Fuzzy. Sistem inferensi Fuzzy menerima input crisp. Input ini kemudian dikirim ke basis pengetahuan yang berisi n aturan Fuzzy dalam bentuk IF-THEN. Fire strength akan dicari pada setiap aturan. Apabila jumlah aturan lebih dari satu, maka akan dilakukan agregasi dari semua aturan. Selanjutnya, pada hasil agregasi akan dilakukan defuzzy untuk mendapatkan nilai crisp sebagai output sistem. I. Mamdani Menurut Iis Widya Harmoko dan Nazori AZ (2012), Metode Mamdani sering juga dikenal dengan nama Metode Max-Min. Metode ini diperkenalkan oleh Ebrahim Mamdani pada tahun Untuk mendapatkan output, diperlukan 4 tahapan yaitu :
7 16 5 III. 1. Pembentukan himpunan fuzzy 2. Aplikasi fungsi implikasi (aturan) 3. Komposisi aturan 4. Penegasan (deffuzy) METODOLOGI PENELITIAN memudahkan penulis dalam melakukan tahap berikutnya, untuk itu perlu dilakukan analisis terhadap datadata yang akan digunakan sebagai parameter dalam mengimplementasikan perancangan ke sistem. C. Analisa Data Produksi Pada bab ini penulis menjelaskan tetang kerangka kerja penelitian yang terdiri dari menentukan masalah penelitan, mempelajari literatur, pengumpulan data, menganalisa masalah, menganalisa kebutuhan, menganalisa data, merancang sistem fuzzy, pengujian dengan metode Mamdani, Pengujian dengan software Matlab hasil dari penelitian. Dengan hasil penelitian yang dilakukan bisa dijadikan gambaran atau masukan bagi PTPN VII dalam mengambil keputusan untuk menentukan jumlah produksi yang akan dilakukan. IV. ANALISA DAN PERANCANGAN A. Pengumpulan Data Tahap pengumpulan data adalah tahapan di mana data-data yang dikumpulkan Merupakan data yang akan digunakan dalam mengolah data dengan alat bantu software fuzzy. Data yang diambil merupakan data-data yang berhubungan langsung dengan tujuan penelitian yaitu masalah produksi Teh Grade I pada PTPN VII Kota Pagar Alam Sumatera Selatan pada tahun B. Menganalisa Data Menganalisa data bertujuan untuk melakukan pengelompokan data data sehingga dapat Dalam analisa data pada penyusunan Tesis ini dilakukan dengan menggunakan fuzzy logic. Pada tahapan Analisa Data Produksi ini, bertujuan untuk mengetahui apakah variabel yang digunakan dalam pengolahan datanya sudah sesuai dengan kriteria yang telah ditetapkan dengan menggunakan logika fuzzy untuk menghasilkan suatu output. Tabel 4.1 ini menerangkan data produksi beserta kretria dari variabel yang digunakan, untuk sample menganalisis data produksi diambil dari PTPN VII. Berikut ini adalah tabel untuk data Produksi bulan Januari sampai dengan Juli pada tahun 2013 di PTPN VII unit usaha Kota Pagar Alam Sumatera Selatan. Tabel 4.1. Data Produksi PTPN VII Unit Usaha Kota Pagaralam D. Klasifikasi Data Produksi Data yang telah disebutkan pada Tabel 4.1 merupakan sebagian dari beberapa data produksi yang terdapat pada PTPN VII di unit usaha Kota Pagar Alam. Setelah data produksi didata, maka selanjutnya diklasifikasikan supaya bisa menarik sebuah kesimpulan berapa produk yang seharusnya diproduksi oleh
8 176 PTPN VII di unit usaha Kota Pagar Alam. Tabel 4.2 Klasifikasi Data Produksi E. Merancang Sistem Fuzzy Sistem fuzzy dapat diistilahkan sebagai blurred (kabur atau remangremang), indestic (tidak jelas), imprecisely defined (didefenisikan secara tidak presisi), confused (membingungkan), vague (tidak jelas). Secara umum fuzzy logic adalah metodelogi berhitung dengan variabel kata-kata (linguistic variabel), sebagai pengganti berhitung dengan bilangan. Dengan fuzzy logic, sistem kepakaran manusia bisa diimplementasikan kedalam bahasa mesin secara mudah dan efisien. Berikut ini merupakan gambaran model prediksi yang dilakukan dalam menentukan jumlah produksi Teh Kering Grade I di PTPN VII unit usaha Kota Pagar Alam Sumatera Selatan. F. Pengujian Dengan Metode Mamdani Pada tahap ini dilakukan tahapan-tahapan pengujian data berdasarkan langkah-langka yang telah ditentukan dalam proses metode Mamdani, adapun langkah-langkah yang digunakan pada tahap ini antara lain fuzzyfikasi, pembentukan basis pengetahuan (Rule dalam bentuk IF..THEN), aplikasi fungsi implikasi dan defuzzyfikasi. G. Fuzzyfikasi Dalam kasus ini terdapat 4 variabel, yaitu 3 variabel input yang terdiri dari Variabel Bahan Baku memiliki nilai linguistic Sedikit, Sedang, dan Banyak, Variabel Stock memiliki nilai linguistic Sedikit, Sedang, dan Banyak, Pengiriman memiliki nilai linguistic yaitu Sedikit, Sedang, dan Banyak. Sedangkan untuk output yaitu Variabel Produksi yang memiliki nilai linguistic yaitu Sedikit, Sedang, dan Banyak. Tabel 4.3 Semesta Pembicaraan 1. Fungsi Keanggotaan Fungsi keanggotaan adalah grafik yang mewakili besar dari derajat keanggotaan masing-masing variabel input yang berada dalam interval antara 0 dan 1. Derajat keanggotaan sebuah variabel x dilambangkan dengan simbol µ(x). Rule-rule menggunakan nilai keanggotaan sebagai faktor bobot untuk menentukan pengaruhnya pada saat melakukan infrensi untuk menarik kesimpulan. Berikut merupakan penggunaan fungsi keanggotaan berdasarkan variabel input dan output. a. Fungsi Keanggotaan Variabel Bahan Baku Fungsi keanggotaan adalah grafik yang mewakili besar dari derajat keanggotaan masing-masing variabel input yang berada dalam interval antara 0 dan 1. Pada tahapan ini akan menggunakan fungsi keanggotaan. Pada tahapan akan menggunakan fungsi keanggotaan
9 18 7 linier turun untuk kategori SEDIKIT, fungsi keanggotaan linier segitiga untuk kategori SEDANG dan untuk kategori BANYAK menggunakan fungsi keanggotaan liner naik. Berdasarkan data bahan baku, maka jika bahan baku kurang dari Kg maka tergolong Sedikit, jika lebih dari Kg maka tergolong Sedang dan jika bahan bakunya lebih dari Kg maka tergolong Banyak. b. Fungsi Keanggotaan Variabel Stock Teh Berdasarkan data stock, maka jika stock kurang dari Kg maka tergolong Sedikit, jika lebih dari Kg maka tergolong Sedang dan jika stocknya lebih dari Kg maka tergolong Banyak. c. Fungsi Keanggotaan Variabel Pengiriman Teh Pada tahapan akan menggunakan fungsi keanggotaan linier turun untuk kategori SEDIKIT, fungsi keanggotaan linier segitiga untuk kategori SEDANG dan untuk kategori BANYAK menggunakan fungsi keanggotaan liner naik. Berdasarkan data pengiriman, maka jika pengiriman kurang dari Kg maka tergolong Sedikit, jika lebih dari Kg maka tergolong Sedang dan jika pengirimannya lebih dari Kg maka tergolong Banyak. d. Fungsi Keanggotaan Variabel Produksi Pada tahapan akan menggunakan fungsi keanggotaan linier turun untuk kategori SEDIKIT, fungsi keanggotaan linier segitiga untuk kategori SEDANG dan untuk kategori BANYAK menggunakan fungsi keanggotaan liner naik. Berdasarkan data produksi, maka jika produksi kurang dari Kg maka tergolong Sedikit, jika lebih dari Kg maka tergolong Sedang dan jika produksinya lebih dari Kg maka tergolong Banyak. e. Pembentukan Basis Pengetahuan (Rule dalam Bentuk IF THEN) Pada tahap ini adalah penentuan aturan (rule), dengan melakukan fuzzy inference, pengetahuan tersebut bisa ditransfer ke perangkat lunak yang selanjutnya memetakan suatu input menjadi output berdasarkan IF THEN rule. Rule di dapat berdasarkan jumlah himpunan fuzzy yang digunakan dari masingmasing variabel input, dan variabel output. Adapun contoh dari rule-rule yang diterapkan pada sistem fuzzy sebagai berikut : R45 IF [Bahan Baku is Sedang], R63 IF [Bahan Baku is Banyak], and [Stock is Sedikit], and [Produksi is Banyak] R50 IF [Bahan Baku is Sedang], and [Stock is Banyak], and [Pengiriman is Sedang], Then [Produksi is Sedang]. R81 IF [Bahan Baku is Banyak], and [Stock is Banyak], and R54 IF [Bahan Baku is Sedang], and [Stock is Banyak], and R60 IF [Bahan Baku is Banyak], and [Stock is Sedikit], and [Pengiriman is Sedang], Then
10 819 R68 IF [Bahan Baku is Banyak], [Pengiriman is Sedang], Then [Produksi is Sedang]. R71 IF [Bahan Baku is Banyak], [Produksi is Sedang]. R72 IF [Bahan Baku is Banyak], R77 IF [Bahan Baku is Banyak], and [Stock is Banyak], and [Pengiriman is Sedang], Then [Produksi is Sedang]. f. Aplikasi Fungsi Implikasi Pada tahapan ini, penulis menggunakan fungsi implikasi. Di mana pada aturan yang digunakan adalah aturan MIN dan berikut contoh salah satu relasi yang terjadi setelah selesai proses rules seperti contoh di bawah ini : Diketahui pada bulan Juli 2013 memiliki bahan baku Kg, stock Kg, dan pengiriman Kg. Tabel 4.9 Semesta Pembicaraan Maka dari hasil kasus di atas, penulis memberikan beberapa contoh penggunaan rule dalam penentuan kasus, berikut rule yang digunakan : R45 IF [Bahan Baku is Sedang], αpredikat 45 = Min µsedang(1), µsedang(1),µbanyak(0.58) = Min (1, 1, 0.58) = (0.58) Gambar 4.21 Aplikasi Fungsi Implikasi Produksi Banyak Rule 45 R63 IF [Bahan Baku is Banyak], and [Stock is Sedikit], and αpredikat 63 = Min µbanyak(0.43), µsedikit(0.79),µbanyak(0.58) = Min (0.43, 0.79, 0.58) = (0.43) Gambar 4.22 Aplikasi Fungsi Implikasi Produksi Banyak Rule 63 R50 IF [Bahan Baku is Sedang], and [Stock is Banyak], and [Pengiriman is Sedang], Then [Produksi is Sedang]. αpredikat 50 = Min µsedang(1), µbanyak(0.22),µsedang(1) = Min (1, 0.22, 1) = (0.22) 81 IF [Bahan Baku is Banyak], and
11 20 9 [Stock is Banyak], and αpredikat 81 = Min µbanyak(0.43), µbanyak(0.22),µbanyak(0.58) = Min (0.43, 0.22, 0.58) = (0.22) R54 IF [Bahan Baku is Sedang], and [Stock is Banyak], and αpredikat 54 = Min µsedang(1), µbanyak(0.22),µbanyak(0.58) = Min (1, 0.22, 0.58) = (0.22) R60 IF [Bahan Baku is Banyak], and [Stock is Sedikit], and [Pengiriman is Sedang], Then αpredikat 60 = Min µbanyak(0.57), µsedikit(0.79),µsedang(1) = Min (0.43, 0.79, 1) = (0.43) R68 IF [Bahan Baku is Banyak], [Pengiriman is Sedang], Then [Produksi is Sedang]. αpredikat 68 = Min µbanyak(0.43), µsedang(1),µsedang(1) = Min (0.43, 1, 1) = (0.43) R71 IF [Bahan Baku is Banyak], [Produksi is Sedang]. αpredikat 71 = Min µbanyak(0.43), µsedang(1),µbanyak(0.58) = Min (0.43, 1, 0.58) = (0.43) R72 IF [Bahan Baku is Banyak], αpredikat 72 = Min µbanyak(0.43), µsedang(1),µbanyak(0.58) = Min (0.43, 1, 0.58) = (0.43) R77 IF [Bahan Baku is Banyak], and [Stock is Banyak], and [Pengiriman is Sedang], Then [Produksi is Sedang]. αpredikat 77 = Min µbanyak(0.43), µbanyak(0.22),µsedang(1) = Min (0.43, 0.22, 1) = (0.22) Dari hasil fungsi implikasi rule, digunakan metode Max untuk melakukan kombinasi semua rule produksi pada bulan Juli, maka diperoleh fungsi keanggotaan untuk produksi yaitu 0; µbanyak[z] (z - 25) / (50-25) 1; µ[z] = (z-25)/(50-25) sehingga, µ[z] = (z-25)/(50-25) =0.22 Z = (0,22) = 30.5 µ[z] = (z-25)/(50-25) =0.43 Z = (0,43) = 35.7 µ[z] = (z-25)/(50-25) =0.58 Z - 25 = (0,58) 25 = 39.5 Gambar 4.31 Hasil Kombinasi Semua Rule Produksi Bulan Juli 2013 g. Defuzzyfikasi Defuzzifikasi adalah suatu himpunan fuzzy yang diperoleh dari komposisi aturan-aturan fuzzy, sedangkan output merupakan suatu bilangan pada domain himpunan fuzzy tersebut. Pada tahap ini penulis menggunakan metode Centroid, berikut merupakan contoh rule yang digunakan dalam menghitung hasil defuzzyfikasi.
12 21 10 Berdasarkan hasil rule-rule yang telah digunakan, maka untuk memperoleh nilai penegasan maka kita lakukan perhitungan momen pada setiap daerah. ( ) ( ) 1. Infrensi yang pertama merupakan fungsi linier naik sehingga, dan A1 = 30.5*0.22 = Infrensi yang kedua merupakan fungsi linier naik sehingga, dan A2 = ( )*( )/2 = Infrensi yang ketiga merupakan fungsi linier naik sehingga, h. Hasil ( ) dan A3 = ( ) * 0.58 = 6.1 maka diperoleh banyaknya Teh Grade I yang harus diproduksi oleh PTPN VII unit usaha Kota Pagar Alam pada bulan Juli adalah : Dari studi kasus yang diangkat di PTPN VII unit Usaha Kota Pagar Alam, maka diperoleh hasil pada bulan Juli yaitu Bahan Baku Kg tergolong Sedang, Stock Kg tergolong Sedang, Pengiriman Kg tergolong Banyak, dari data tersebut dilakukan pengolahan data menggunakan metode Mamdani melalui 4 (empat) tahapan yaitu fuzzyfikasi, pembentukan basis pengetahuan fuzzy (rule dalam bentuk IF..THEN), aplikasi fungsi implikasi dan defuzzyfikasi dengan metode centroid, maka diperoleh hasil jumlah produksi sebesar Kg dengan status tergolong Banyak dan hasil penerapan metode Mamdani yang digunakan tidak jauh berbeda dengan fakta produksi yang dilakukan oleh PTPN VII unit usaha Kota Pagar Alam yaitu sebesar Kg. Berdasarkan data dan hasil yang diperoleh maka dapat dianalisa metode Mamdani yang diterapkan layak untuk digunakan dalam menentukan dan meramalkan jumlah produksi Teh pada PTPN VII unit usaha kota Pagar Alam Sumatera Selatan. V. IMPLEMENTASI DAN PENGUJIAN A. Implementasi Pada tahap implememtasi ini penulis menggunakan software Matlab versi Agar dapat menggunakan fungsi-fungsi logika Fuzzy yang ada pada Matlab, maka harus diinstalkan terlebih dahu ToolBook Fuzzy. Fuzzy logic memberikan fasilitas Graphical User Interface (GUI) untuk mempermudah dalam membangun suatu sistem Fuzzy. Ada 5 GUI tools yang dapat digunakan untuk membangun, mengedit, dan mengobservasi sistem penalaran Fuzzy yaitu:
13 Fuzzy Interface System (FIS) Editor 2. Membership Function Editor 3. Rule Editor 4. Rule Viewer 5. Surface Viewer B. Pengujian Sistem Pengujian yang dilakukan penulis melalui dua cara yaitu cara manual dan pengujian sistem dengan memanfaatkan Tools Matlab Dari studi kasus produksi pada bulan Juli pada PTPN VII unit usaha kota Pagar Alam diketahui pada bulan Juli 2013 memiliki bahan baku Kg, stock Kg, dan pengiriman Kg. Pengujian rule 45 : R45 IF [Bahan Baku is Sedang], αpredikat 45 = Min µsedang(1), µsedang(1),µbanyak(0.58) = Min (1, 1, 0.58) = (0.58) Berikut tampilan hasil dari pengujian yang dilakukan di Tools Matlab dari rule 45 dengan input [ ]. Pengujian rule 63 : R63 IF [Bahan Baku is Banyak], and [Stock is Sedikit], and αpredikat 63 = Min µbanyak(0.43), µsedikit(0.79),µbanyak(0.58) = Min (0.43, 0.79, 0.58) = (0.43) Berikut tampilan hasil dari pengujian yang dilakukan di Tools Matlab dari rule 63 dengan input [ ]. Gambar 5.13 Tampilan Hasil Rule Viewer Rule 63 Berikut ini merupakan tampilan dari seluruh rule viewer yang mengacu pada contoh studi kasus produksi pada bulan Juli 2013 pada PTPN VII unit usah kota Pagar Alam dengan nilai input [ ]. Gambar 5.11 Tampilan Hasil Rule Viewer Rule 45 Gambar 5.30 Tampilan Hasil Rule Viewer Produksi Pada Bulan Juli 2013
14 Januari Maret Mei Juli Untuk tampilan gambar pemetaan dari rule dengan menggunakan Surface. Surface ini juga dapat dipanggil dengan cara pilih View klik Surface, maka akan muncul tampilan seperti berikut : Gambar 5.31 Tampilan SurfaceViewer Produksi Bulan Juli 2013 C. Hasil Setelah dilakukan pengujian rules 45, rule 63, rule 50, rule 81, rule Tabel 5.1 Produksi Hasil Pengujian Data 54, rule 60, rule 68, rule 71, rule 72 dan rule 77 baik secara manual maupun dengan cara Tools Matlab pada studi kasus produksi pada bulan Juli 2013 dengan memasukan variabel input bahan baku 17.2, stock 14.3 dan pengiriman 31.6, maka diperoleh hasil dengan hitungan manual jumlah produksi pada bulan Juli 2013 sebesar Kg sedangkan pengujian melalui sistem didapatkan hasil jumlah produksi sebesar , walaupun didapatkan hasil yang berbeda tetapi masih termasuk ke dalam kategori yang sama yaitu produksi yang harus dlakukan oleh PTPN VII unit usaha kota Pagar Alam pada bulan Juli tergolong Banyak. Untuk melihat hasil perbandingan yang lain penulis melakukan pengujian lain terhadap data produksi Teh Grade I pada PTPN VII, maka diperoleh hasil seperti tabel 5.1. Berikut ini merupakan tampilan grafik dari pengolahan data produksi yang dilakukan oleh PTPN VII unit usaha kota Pagar Alam dengan hasil pengujian yang dilakukan dengan bantuan software Matlab pada bulan Januari sampai dengan bulan Juli Realisasi PTPN VII (Kg) Gambar Tampilan Grafik Perbandingan Hasil
15 24 2 Bedasarkan tabel 5.1 dan gambar grafik perbandingan hasil 5.32, dari hasil pengujian dengan Software Matlab yang dilakukan dan melihat fakta data produksi yang diperoleh di PTPN VII unit usaha Pagar Alam, maka dapat diperoleh hasil dari bulan Januari sampai dengan bulan Juli 2013 jumlah produksi yang tergolong Sedikit adalah bulan Februari, untuk bulan Maret, Mei dan Juni jumlah produksinya tergolong Sedang, sedangkan pada bulan Januari, April dan Juli jumlah produksinya tergolong Banyak. V. KESIMPULAN DAN SARAN 6.1. Kesimpulan Berdasarkan hasil analisa dan pengujian dalam Meramalkan dan Menentukan Jumlah Produksi Pada PTPN VII di Unit Usaha Kota Pagar Alam Sumatera Selatan dengan menggunakan sistem fuzzy ada beberapa kesimpulan yang dapat diambil antara lain : 1. Model tipe Mamdani yang terdiri dari empat tahapan yaitu penentuan Fuzzifikasi, Pembentukan Basis Pengetahuan (Rule dalam bentuk IF THEN), Aplikasi Fungsi Implikasi dan Defuzzifikasi sangat tepat untuk digunakan dalam memprediksi jumlah produksi Teh Grade I pada PTPN VII unit usaha kota Pagar Alam Sumatera Selatan. 2. Untuk mendapatkan hasil prediksi jumlah produksi Teh Kering Grade I pada bulan Juli 2013 dengan nilai variabel input yaitu bahan baku Kg, stock Kg dan pengiriman Kg dilakukan perhitungan manual dengan konsep fuzzy logic metode Mamdani diperoleh hasil Kg, sedangkan pengujian dengan bantuan software Matlab diperoleh hasil jumlah produksi sebesar Kg, walaupun didapatkan hasil yang berbeda karena pada perhitungan manual terjadi pembulatan nilai tetapi termasuk dalam kategori yang sama yaitu produksi yang harus dilakukan oleh PTPN VII tergolong Banyak Saran Dalam penulisan tesis ini penulis menggunakan 3 variabel input untuk menentukan jumlah produksi yaitu bahan baku, stock dan pengiriman dengan penerapan teori fuzzy Mamdani untuk selanjutnya dapat dikembangkan dengan menggunakan variabel input lebih dari 3 dan menggunakan teori serta metode lain sebagai perbandingan agar bisa dijadikan gambaran untuk memperoleh hasil yang lebih tepat dan akurat. DAFTAR PUSTAKA Eng. Agus Naba. (2009). Belajar Cepat Fuzzy Logic Menggunkan Matlab. Penerbit Andi. Faiza Rini. (2008). Klasifikasi Kelulusan Mahasiswa STMIK Nurdin Hamzah Menggunakan Fuzzy Database. Jurnal Media Sisfo Vo.2, No.2, Mei 2008 : Fauzan Maskur. (2012). Implementasi Sistem Pakar Diagnosa Penyakit Diabetes Mellitus Menggunakan Metode Fuzzy Logic Berbasis Web. Tesis 2012.
16 325 Harmanjit Singh, Gurdev Singh and Nitin Bhatia. (2012). Election Results Prediction System Based On Fuzzy Logic. International Journal Of Computer Applications ( ) Volume 53- No.9, September Hassan Yousse, Vahid Saeid N and Javad Nematian. (2011). A New Method For Modeling System Dynamics By Fuzzy Logic : Modeling Of Research And Development In The National System Of Innovation. The Journal Of Mathematics And Computer Science Vol.2 No.1 (2011) Iis Widiya Harmoko dan Nazori AZ. (2012). Prototipe Model Prediksi Peluang Kejadian Hujan Menggunakan Metode Fuzzy Logic Tipe Mamdani dan Sugeno. Jurnal TICOM Vol.1 No.1 September Sri Kusumadewi dan Sri Hartati. (2010). Neuro-Fuzzy Integrasi Sistem Fuzzy dan Jaringan Syaraf Edisi 2. Penerbit Graha Ilmu. Sri Kusumadewi dan Hari Purnomo. (2010). Aplikasi Logika Fuzzy Utnuk Pendukung Keputusan Edisi 2. Penerbit Graha Ilmu. Nelly Indiani Widiastuti. (2012). Model Prilaku Berjalan Agen-Agen Menggunakan Fuzzy Logic. Jurnal Komputer dan Informatika (KOMPUTA) Edisi.1 Volume.1, Maret Nardi dan Nazori AZ, (2012). Otomasi Klasifikasi Awan Citra Satelit MTSAT Dengan Pendekatan Fuzzy Logic. Jurnal Telematika MKOM Vol.4 No.1, Maret Prabowo Pudjo dan Trias Rahmdya H. (2009). Penerapan Soft Computing Dengan Matlab. Penerbit Rekayasa Sains T.Sutojo, Et Al,. (2011). Kecerdasan Buatan. Penerbit ANDI Yogyakarta. Yuni Widhiastiwi. (2007). Model Fuzzy Dengan Metode Tsukamoto. Jurnal Bina Widya Vol.18 No.02 Juli 2007.
IMPLEMENTASI 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 terperinciJURNAL INFORMATIKA ISSN : VOL. 2, No.I, September 2013
INFORMATIKA JURNAL INFORMATIKA ISSN : 2301 5632 VOL. 2, No.I, September 2013 PEMIMPIN UMUM Drs. H. AM. Effendi Sangkim, M.Si PEMIMPIN REDAKSI Kusnita Yusmiarti, S.Kom.,M.Kom WAKIL PEMIMPIN REDAKSI M. Junius
Lebih terperinciINFORMATIKA JURNAL INFORMATIKA ISSN : VOL. 1, No.1, Juli 2012
PEMIMPIN UMUM Drs. H. AM. Effendi Sangkim, Msi PEMIMPIN REDAKSI Kusnita Yusmiarti, S.Kom.,M.Kom WAKIL PEMIMPIN REDAKSI M. Junius Effendi, S.Kom Medi Triawan, S.Kom KONSULTAN AHLI Dr. Zakaria Wahab, MBA
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 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Logika Fuzzy Fuzzy secara bahasa diartikan sebagai kabur atau samar yang artinya suatu nilai dapat bernilai benar atau salah secara bersamaan. Dalam fuzzy dikenal derajat keanggotan
Lebih terperinciBAB II 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 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 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 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 terperinciIMPLEMENTASI METODE FUZZY MAMDANI DALAM MEMPREDIKSI TINGKAT KEBISINGAN LALU LINTAS
IMPLEMENTASI METODE FUZZY MAMDANI DALAM MEMPREDIKSI TINGKAT KEBISINGAN LALU LINTAS Alfa Saleh Teknik Informatika, Fak Ilmu Komputer Universitas Potensi Utama Jl KL Yos Sudarso KM 65 No3-A, Tanjung Mulia,
Lebih terperinciPenerapan Metode Fuzzy Mamdani Pada Rem Otomatis Mobil Cerdas
Penerapan Metode Fuzzy Mamdani Pada Rem Otomatis Mobil Cerdas Zulfikar Sembiring Jurusan Teknik Informatika, Fakultas Teknik, Universitas Medan Area zoelsembiring@gmail.com Abstrak Logika Fuzzy telah banyak
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1 Logika Fuzzy Zadeh (1965) memperkenalkan konsep fuzzy sebagai sarana untuk menggambarkan sistem yang kompleks tanpa persyaratan untuk presisi. Dalam jurnalnya Hoseeinzadeh et
Lebih terperinciJurnal Informatika SIMANTIK Vol. 2 No. 2 September 2017 ISSN:
PENERAPAN LOGIKA FUZZY UNTUK MENENTUKAN MAHASISWA BERPRESTASI DI STMIK CIKARANG MENGGUNAKAN JAVA NETBEANS DAN MYSQL Ema Dili Giyanti 1), Ali Mulyanto 2) 1) Program Studi Teknik Informatika, STMIK Cikarang
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Permintaan, 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 terperinciANALISIS RULE INFERENSI SUGENO DALAM SISTEM PENDUKUNG PENGAMBILAN KEPUTUSAN
ANALISIS RULE INFERENSI SUGENO DALAM SISTEM PENDUKUNG PENGAMBILAN KEPUTUSAN Khairul Saleh Teknik Informatika, Fakultas Ilmu Komputer dan Teknologi Informasi, Universitas Sumatera Utara Jalan Universitas
Lebih 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 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 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 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 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 terperinciSPK PENENTUAN TINGKAT KEPUASAN KONSUMEN PADA RESTORAN XYZ
SPK PENENTUAN TINGKAT KEPUASAN KONSUMEN PADA RESTORAN XYZ P.A Teknik Informatika Universitas Ahmad Dahlan Yogyakarta Kampus 3 UAD, Jl. Prof. Soepomo rochmahdyah@yahoo.com Abstrak Perkembangan teknologi
Lebih terperinciBAB 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 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 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 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 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 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 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 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 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 (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 terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Logika Fuzzy Logika fuzzy merupakan suatu metode pengambilan keputusan berbasis aturan yang digunakan untuk memecahkan keabu-abuan masalah pada sistem yang sulit dimodelkan
Lebih terperinciJurnal String Vol. 1 No. 1 Tahun 2016 ISSN: MODEL EVALUASI KINERJA KARYAWAN DENGAN METODE FUZZY SUGENO PADA RESTO ABTL
MODEL EVALUASI KINERJA KARYAWAN DENGAN METODE FUZZY SUGENO PADA RESTO ABTL Fanisya Alva Mustika 1, Sutrisno 2 Program Studi Teknik Informatika, Universitas Indraprasta PGRI Jakarta 1,2 E-mail: alva.mustika@gmail.com
Lebih terperinciREVIEW PENERAPAN FUZZY LOGIC SUGENO DAN MAMDANI PADA SISTEM PENDUKUNG KEPUTUSAN PRAKIRAAN CUACA DI INDONESIA
Seminar Nasional Sistem Informasi Indonesia, 6 November 2017 REVIEW PENERAPAN FUZZY LOGIC SUGENO DAN MAMDANI PADA SISTEM PENDUKUNG KEPUTUSAN PRAKIRAAN CUACA DI INDONESIA Anisa Citra Mutia, Aria Fajar Sundoro,
Lebih 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 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 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 terperinciPerekrutan Karyawan Tetap Dengan Fuzzy Inference System Metode Mamdani
BINA INSANI ICT JOURNAL, Vol.3, No. 2, Desember 2016, 279-290 ISSN: 2355-3421 (Print) ISSN: 2527-9777 (Online) 279 Perekrutan Karyawan Tetap Dengan Fuzzy Inference System Metode Mamdani Ghofar Taufik 1,*
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 terperinciBAB IV HASIL DAN PEMBAHASAN. Tingkat kesehatan bank dapat diketahui dengan melihat peringkat
BAB IV HASIL DAN PEMBAHASAN A. Analisis Tingkat Kesehatan Bank Tingkat kesehatan bank dapat diketahui dengan melihat peringkat komposit bank tersebut. Menurut peraturan Bank Indonesia No. 13/1/PBI/2011
Lebih 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 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 terperinciAnalisis Sistem Estimasi Produksi Menggunakan Metode Fuzzy Berbasis Web
T E S L A VOL. 19 NO.1 MARET 2017 Analisis Sistem Estimasi Produksi Menggunakan Metode Fuzzy Berbasis Web Boby Wisely Ziliwu 1 dan Suhartati Agoes 1 Abstract: Products demand number of that many in the
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 terperinciResearch of Science and Informatic
Sains dan Informatika Vol.2 (N0.2) (2016): 20-30 1 Rifa, Nency, Expert System For Determine Lecturer Performance JURNAL SAINS DAN INFORMATIKA Research of Science and Informatic e-mail: jit.kopertis10@gmail.com
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 LANDASAN TEORI
5 BAB 2 LANDASAN TEORI 2.1 Logika Fuzzy Logika fuzzy adalah cabang dari sistem kecerdasan buatan (Artificial Inteligent) yang mengemulasi kemampuan manusia dalam berfikir ke dalam bentuk algoritma yang
Lebih terperinciPREDIKSI PERMINTAAN PRODUK MIE INSTAN DENGAN METODE FUZZY TAKAGI-SUGENO
PREDIKSI PERMINTAAN PRODUK MIE INSTAN DENGAN METODE FUZZY TAKAGI-SUGENO Ahmad Bahroini 1, Andi Farmadi 2, Radityo Adi Nugroho 3 1,2,3Prodi Ilmu Komputer FMIPA UNLAM Jl. A. Yani Km 36 Banjarbaru, Kalimantan
Lebih terperinciANALISA SISTEM PENDUKUNG KEPUTUSAN PENENTUAN KOSENTRASI JURUSAN TEKNIK MESIN UNP PADANG
ANALISA SISTEM PENDUKUNG KEPUTUSAN PENENTUAN KOSENTRASI JURUSAN TEKNIK MESIN UNP PADANG Harison Dosen Jurusan Teknik Informatika Fakultas Teknologi Industri Institut Teknologi Padang Abstrak Keputusan
Lebih 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 terperinciDECISSION SUPPORT SYSTEM MODELS DENGAN FUZZY TAHANI UNTUK PROMOSI KARYAWAN
Seminar Nasional Inovasi dan Tren (SNIT)205 DECISSION SUPPORT SYSTEM MODELS DENGAN FUZZY TAHANI UNTUK PROMOSI KARYAWAN Ghofar Taufiq Akademi Manajemen Informatika dan Komputer Bina Sarana Informatika (AMIK
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 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 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 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 terperinciSaintia Matematika ISSN: Vol. 2, No. 2 (2014), pp
Saintia Matematika ISSN: 2337-9197 Vol. 2, No. 2 (2014), pp. 115 126. PERENCANAAN JUMLAH PRODUKSI MIE INSTAN DENGAN PENEGASAN (DEFUZZIFIKASI)CENTROID FUZZY MAMDANI (Studi Kasus: Jumlah Produksi Indomie
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 terperinciMODEL FUZZY TAHANI UNTUK PENENTUAN SISWA TERBAIK DI SEKOLAH
Konferensi Nasional Ilmu Sosial & Teknologi (KNiST) Maret 207, pp. 24~22 24 MODEL FUZZY TAHANI UNTUK PENENTUAN SISWA TERBAIK DI SEKOLAH Ghofar Taufik AMIK BSI Jakarta e-mail: ghofar.gft@bsi.ac.id Abstrak
Lebih terperinciSiska Ernida Wati, Djakaria Sebayang, Rachmad Sitepu
Saintia Matematika Vol. 1, No. 3 (2013), pp. 273 24. PERBANDINGAN METODE FUZZY DENGAN REGRESI LINIER BERGANDA DALAM PERAMALAN JUMLAH PRODUKSI (Studi Kasus Produksi Kelapa Sawit di PT. Perkebunan III (PERSERO)
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 terperinciSISTEM PENDUKUNG KEPUTUSAN PEMILIHAN HANDPHONE BERDASARKAN KEBUTUHAN KONSUMEN MENGGUNAKAN LOGIKA FUZZY. Abstraksi
SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN HANDPHONE BERDASARKAN KEBUTUHAN KONSUMEN MENGGUNAKAN LOGIKA FUZZY Denny Cristiono T.S., Yugowati P.,Sri Yulianto J.P. Fakultas Teknologi Informasi Universitas Kristen
Lebih terperinciJURNAL SISTEM PENENTUAN HARGA PERCETAKAN FOTO DIGITAL MENGGUNAKAN FUZZY TSUKAMOTO DI ALIEF COMPUTER KOTA KEDIRI
JURNAL SISTEM PENENTUAN HARGA PERCETAKAN FOTO DIGITAL MENGGUNAKAN FUZZY TSUKAMOTO DI ALIEF COMPUTER KOTA KEDIRI PRICING SYSTEM USING DIGITAL PHOTO PRINTING ON FUZZY TSUKAMOTO ALIEF COMPUTER KEDIRI Oleh:
Lebih terperinciMetode Fuzzy Inference System untuk Penilaian Kinerja Pegawai Perpustakaan dan Pustakawan
Scientific Journal of Informatics Vol., No. 1, Mei 2016 p-issn 2407-7658 http://journal.unnes.ac.id/nju/inde.php/sji e-issn 2460-0040 Metode Fuzzy Inference System untuk Penilaian Kinerja Pegawai Perpustakaan
Lebih terperinciPENERAPAN LOGIKA FUZZY UNTUK MENGUKUR KINERJA FRONTLINER PEGAWAI BANK BRI
PENERAPAN LOGIKA FUZZY UNTUK MENGUKUR KINERJA FRONTLINER PEGAWAI BANK BRI Deval Gusrion Universitas Putra Indonesia YPTK Padang, Indonesia devalgusrion@gmail.com ABSTRACT Performance measurement front-liner
Lebih terperinciIMPLEMENTASI FUZZY RULE BASED SYSTEM UNTUK KLASIFIKASI BUAH MANGGA
IMPLEMENTASI FUZZY RULE BASED SYSTEM UNTUK KLASIFIKASI BUAH MANGGA Subhan Hartanto Sistem Informatika, Universitas Pembangunan Panca Budi Jl. Jend Gatot Subroto, Simpang Tj., Medan Sunggal, Kota Medan,
Lebih 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 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 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 terperinciPENILAIAN KINERJA DOSEN DENGAN MENGGUNAKAN METODE SUGENO
PENILAIAN KINERJA DOSEN DENGAN MENGGUNAKAN METODE SUGENO Magdalena Simanjuntak Program Studi Teknik Informatika, STMIK Kaputama E-mail : magdalena.simanjuntak84@gmail.com ABSTRACT This study aimed to analyze
Lebih 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 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 terperinciANALISA DAN PERANCANGAN PROTOTIPE SISTEM PENILAIAN KINERJA GURU MENGGUNAKAN FIS MAMDANI :
ANALISA DAN PERANCANGAN PROTOTIPE SISTEM PENILAIAN KINERJA GURU MENGGUNAKAN FIS MAMDANI : STUDI KASUS UPT DINAS PENDIDIKAN KEC. PENENGAHAN LAMPUNG SELATAN Agung Triayudi 1, Nazori AZ 2 Program Studi Magister
Lebih 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 terperinciAda 5 GUI tools yang dapat dipergunakan untuk membangun, mengedit, dan mengobservasi sistem penalaran, yaitu :
BAB V FUZZY LOGIC MATLAB TOOLBOX Agar dapat mengunakan fungsi-fungsi logika fuzzy yang ada paad Matlab, maka harus diinstallkan terlebih dahulu TOOLBOX FUZZY. Toolbox. Fuzzy Logic Toolbox adalah fasilitas
Lebih 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 terperinciPenilaian Hasil Belajar Matematika pada Kurikulum 2013 dengan Menggunakan Logika Fuzzy Metode Mamdani
SEMINAR MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2017 Penilaian Hasil Belajar Matematika pada Kurikulum 2013 dengan Menggunakan Logika Fuzzy Metode Mamdani M-4 Dewi Mardhiyana Universitas Pekaloangan dewimardhiyana139@gmail.com
Lebih terperinciPenerapan Metode Fuzzy Sugeno Dalam Pendaftaran Siswa Baru di SDN Sonopatik 1 Nganjuk
Nusantara of Enginering/Vol.3/No.1/ISSN: 2355-6684 41 Penerapan Metode Fuzzy Sugeno Dalam Pendaftaran Siswa Baru di SDN Sonopatik 1 Nganjuk Fajar Rohman Hariri Jurusan Teknik Informatika, Fakultas Teknik,
Lebih 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 terperinciPENDAPATAN MASYARAKAT DENGAN ADANYA KAMPUS MENGGUNAKAN FUZZY TSUKAMOTO
PENDAPATAN MASYARAKAT DENGAN ADANYA KAMPUS MENGGUNAKAN FUZZY TSUKAMOTO Asrianda 1 asrianda@unimal.ac.id Abstrak Bertambahnya permintaan mahasiswa atas kebutuhan makan seharihari, berkembangnya usaha warung
Lebih terperinciIMPLEMENTASI FUZZY MAMDANI DALAM SISTEM PENDUKUNG KEPUTUSAN MENENTUKAN KESESUAIAN BIDANG PEMINATAN MAHASISWA (STUDI KASUS : UNIVERSITAS POTENSI UTAMA)
IMPLEMENTASI FUZZY MAMDANI DALAM SISTEM PENDUKUNG KEPUTUSAN MENENTUKAN KESESUAIAN BIDANG PEMINATAN MAHASISWA (STUDI KASUS : UNIVERSITAS POTENSI UTAMA) Alfa Saleh Teknik Informatika, Fak. Ilmu Komputer
Lebih terperinciEVALUASI KINERJA GURU DENGAN MENGGUNAKAN FUZZY INFERENCE SYSTEM (FIS) MAMDANI
EVALUASI KINERJA GURU DENGAN MENGGUNAKAN FUZZY INFERENCE SYSTEM (FIS) MAMDANI Karmila Suryani 1), Khairudin 2) 1) FKIP Universitas Bung Hatta Padang 2) FKIP Universitas Bung Hatta Padang e-mail: karmilasuryani.ptik@gmail.com,khaihatta@yahoo.com
Lebih 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 terperinciAnalisis Fungsi Implikasi Max-Min dan Max-Prod Dalam Pengambilan Keputusan
128 ISSN: 2354-5771 Analisis Fungsi Implikasi Max-Min dan Max-Prod Dalam Pengambilan Keputusan Raheliya Br Ginting STT Poliprofesi Meda E-mail: itink_ribu@yahoo.com Abstrak Pengambilan keputusan harus
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 terperinciPENERAPAN METODE FUZZY MAMDANI DALAM MEMPREDIKSI TINGGINYA PEMAKAIAN LISTRIK ( STUDI KASUS KELURAHAN ABC )
PENERAPAN METODE FUZZY MAMDANI DALAM MEMPREDIKSI TINGGINYA PEMAKAIAN LISTRIK ( STUDI KASUS KELURAHAN ABC ) Edy Victor Haryanto1), Fina Nasari) Universitas Potensi Utama Jl. K. L. Yos Sudarso Km. 6,5 No.
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1. Metode Pengumpulan Data Dalam penelitian diagnosa penyakit asma dengan menggunakan metode fuzzy Tsukamoto, dibutuhkan data mengenai gejala penyakit dari seorang pakar atau
Lebih 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 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 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 terperinciInstitut Teknologi Sepuluh Nopember Surabaya
Aplikasi Sistem Inferensi Fuzzy Metode Sugeno dalam Memperkirakan Produksi Air Mineral dalam Kemasan Oleh Suwandi NRP 1209201724 Dosen Pembimbing 1. Prof. Dr M. Isa Irawan, MT 2. Dr Imam Mukhlash, MT Institut
Lebih terperinciPENENTUAN KUALITAS CABE MERAH VARIETAS HOT BEAUTY DENGAN FUZZY INFERENCE SYSTEM TSUKAMOTO
PENENTUAN KUALITAS CABE MERAH VARIETAS HOT BEAUTY DENGAN FUZZY INFERENCE SYSTEM TSUKAMOTO oleh TAUFIQ HANIF TRI SUSELO M0107017 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan memperoleh
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 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 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 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 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 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 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 terperinci