PENERAPAN LOGIKA FUZZY UNTUK MENGUKUR KINERJA FRONTLINER PEGAWAI BANK BRI
|
|
- Yenny Makmur
- 7 tahun lalu
- Tontonan:
Transkripsi
1 PENERAPAN LOGIKA FUZZY UNTUK MENGUKUR KINERJA FRONTLINER PEGAWAI BANK BRI Deval Gusrion Universitas Putra Indonesia YPTK Padang, Indonesia ABSTRACT Performance measurement front-liner can be applied through the fuzzy logic method by using four variables: knowledge, observation by the PIC, the evaluation of co-workers, and self-evaluation and supporting Matlab application. Measurement of performance using four variables was obtained through taking data from test results conducted by The Regional Office OJL BRI Padang, observation and interviews as well as distributing questionnaires to each of the front-liner. Of the four variables specified then performed using fuzzy reasoning and fuzzy input predetermined rules so as to produce a fuzzy output. Fuzzy Inference Rules method used is the Mamdani method to get the output stages such as: establishment of a fuzzy set, Application Function Implications, composition rules, assertion (Defuzzy). The results of this study will generate rules that can help the Bank BRI to measure the performance of front-liner is not good, not good, nice and very good. Key words: fuzzy logic, variable, rule, Mamdani, input, output 1. Pendahuluan Dari beberapa bidang yang ada, bank merupakan salah satu bidang yang memerlukan sistem informasi penunjang. Selain memerlukan sistem untuk mengendalikan manajemen, juga dibutuhkan sistem untuk mengambil keputusan untuk menentukan kinerja dan penepatan pegawai. Dengan adanya penilaian kinerja pegawai, pihak manajemen dapat mengukur keberhasilan pegawai dalam melakukan tugasnya melayani nasabah, terutama untuk posisi front-liner karena para pegawai tersebutlah yang menjadi pilar terdepan dalam pemberian layanan kepada nasabah. 2. Tinjauan Literatur Logika fuzzy merupakan salah satu komponen pembentuk soft computing yang meniru cara berfikir manusia dengan menggunakan konsep sifat kesamaran suatu nilai. Logika fuzzy dapat memberikan suatu nilai dari nol secara kontiniu sampai nilai satu, dan logika fuzzy telah banyak diaplikasikan di berbagai bidang karena kemampuannya untuk menyelesaikan permasalahan dan pembuatan keputusan yang sangat kompleks dalam berbagai bidang, organisasi maupun perusahaan bahkan dalam bidang pemerintahan. Begitu juga untuk masalah dalam penilaian kinerja pegawai, karena logika fuzzy dapat digunakan untuk memberikan gambaran tentang kepribadian/sikap dan kemampuan seorang pegawai dan juga memberikan kemudahan dibandingkan dengan pendekatan statistik konvensional. Dari penerapan logika fuzzy ini kita dapat mengambil sebuah penilaian terhadap kinerja pegawai seperti apakah pegawai tersebut mampu memberikan pelayanan sesuai dengan yang telah ditetapkan dalam 51
2 standar layanan. Adapun faktor-faktor yang dipakai dalam penilaian kinerja frontlinear adalah kecerdasan emosi dan profesionalisme kerja. Abdul Rashid Khan, Hafezz Ullah Amin dan Zia Ur Rehman (2011) telah melakukan penelitian tentang Evaluasi Kinerja guru menggunakan logika fuzzy untuk memelihara mutu pendidikan. Amartya Neogi, Abhoy Chan Modal dan Soumitra Kumar Mandal (2011) telah melakukan penelitian mengunakan metode fuzzy inference system untuk mengevaluasi efektifitas dan efisiensi Pegawai disebuah universitas untuk menghasilkan kinerja yang berkualitas. Salah satu Metode Fuzzy adalah Metode mamdani atau sering juga dikenal dengan nama metode min max. Metode ini diperkenalkan oleh Ebrahim Mamdani pada tahun Untuk mendapatkan output diperlukan 4 tahapan, di antaranya (Sri Kusuma Dewi, 2010) : 1. Pembentukan himpunan fuzzy 2. Aplikasi fungsi implikasi 3. Komposisi aturan 4. Penegasan (defuzzy) Berkaitan dengan latar belakang dari pemilihan judul, maka dapat dirumuskan masalah-masalah yang dihadapi sebagai berikut : 1. Bagaimana penilaian kinerja front-liner Kawil BRI Padang dengan memanfaatkan penalaran logika fuzzy mamdani? 2. Bagaimana merancang sebuah sistem fuzzy mamdani untuk menilai kinerja front-liner dengan mengunakan Matlab? 3. Bagaimana kinerja front-liner yang dinilai berdasarkan kecerdasan emosi dan profesionalisme pada Bank BRI memanfaatkan logika fuzzy mamdani? Batasan masalah mengenai penelitian ini dijabarkan sebagai berikut : 1. Front-liner yang dimaksudkan yaitu Teller Customer Service dan Satpam. 2. Proses penilai kinerja ini hanya berlaku di Bank BRI Kanwil Padang saja. 3. Metode fuzzy mamdani ini menggunakan software MATLAB. 3. Metodologi Tahap ini dilakukan dengan cara menyebarkan kuisioner pada front-liner Bank BRI, penyebaran kuisioner ini dilakukan satu kali dengan tujuan data benar-benar valid. Kuisioner tersebut terdiri dari 101 pertanyaan, dimana semua pertanyaan terbagi dua variable : Evaluasi Rekan Kerja terdiri dari 16 pertanyaan untuk customer service dan teller, dan 15 pertanyaan untuk satpam, variable Evaluasi Diri Sendiri terdiri 19 pertanyaan untuk customer service dan 21 pertanyaan untuk teller dan 14 pertanyaan untuk satpam, masing-masing soal ada 4 jawaban yaitu : Selalu nilai 3, Sering 2, Jarang 1 dan tidak pernah 0. kuisioner diberikan kepada 30 orang front-liner (masing 10 orang untuk satpam, 10 orang untuk customer service dan 10 orang untuk teller). Penilaian dari test produk knowledge dengan jumlah soal sebanyak 20 dengan membandingkan nilai ujian bulan sebelumnya dan yang diambil adalah nilai rata-rata. Penilaian oleh PIC (Personal In Cash), kemudian diolah dengan menggunakan metode fuzzy dan rule-rule yang ada. Variabel observasi dari PIC dengan jumlah dimensi yang diobservasi bervariasi (tergantung front-liner), setiap dimensi yang bernilai standar diberi nilai 1, tidak sesuai standar 0. Total dimensi yang sesuai standar akan dikonversi ke angka 0 sampai 100. Semua pertanyaan yang ada dalam kuisioner,soal,dan dimensi oleh PIC tersebut dimaksudkan untuk mengetahui kinerja dari front-liner tersebut. 52
3 4. Hasil dan Diskusi 4.1 Fuzzy Tahap analisa ini diawali dengan menetapkan variabel-variabel yang berpengaruh terhadap kinerja front-liner, kemudian dilakukan pembentukan himpunan fuzzy dengan menggunakan metode Mamdani, seperti dijelaskan oleh gambar dibawah ini: Knowledge Observasi Oleh PIC Mamdani Kinerja front liner Evaluasi Rekan Kerja Evaluasi Diri Sendiri Gambar 1: Proses Analisa Fuzzy Mamdani Dalam penelitian ini ada empat variabel yang digunakan yaitu Knowledge sebagai input 1, observasi oleh PIC sebagai input 2, evaluasi rekan kerja sebagai input 3, evaluasi diri sendiri sebagai input 4, dan kinerja front-liner sebagai output. Pada penelitian ini keempat variabel didefinisikan dalam rentang bilangan antara Tabel 1: Domain Himpunan Fuzzy Variabel Nama Himpunan Fuzzy Domain Knowledge Naik [50 100] Turun [0 60 ] Sangat Baik [60 100] Observasi Oleh PIC Baik [50 70] Kurang Baik [40 60] Tidak Baik [0 50] Selalu [60 100] Input Sering [50 70] Evaluasi Rekan Kerja Jarang [40 60] Tidak Pernah [0 50] Selalu [60 100] Evaluasi Diri Sendiri Sering [50 70] Jarang [40 60] Tidak Pernah [0 50] Sangat Bagus [70 100] Output Kinerja front-liner Bagus [60 80] Kurang Bagus [50 70] Tidak Bagus [0 60] Sumber : Bagian OJL Kanwil BRI Padang 4.2 Analisa sistem Dalam menentukan perancangan sistem, terdapat 4 variabel input yaitu: pengetahuan dan keterampilam, metode evaluasi oleh PIC, metode evaluasi rekan kerja, metode evaluasi 53
4 diri sendiri dan 1 variabel output yaitu variabel kinerja front-liner. hal ini dapat dilihat pada gambar berikut: Gambar 2: Variabel Input dan Output Pada Metoda Mamdani Analisa Sistem untuk Variabel Knowledge Variabel knowledge adalah input yang merupakan nilai rata-rata adalah naik dan turun. Dengan penilaian yang dinilai langsung oleh bagian yang berwenang di Kanwil BRI Padang. Penilaian dilakukan dengan menjawab soal-soal yang berisi produk-produk Bank dan sejenisnya yang dijawab oleh front-liner. Penilaian komponen tersebut dilakukan untuk mendapatkan nilai variabel knowledge dan penunjang variabel lain yang dibutuhkan. Nilai variabel knowledge di bagi atas 2 kriteria yaitu: Tabel 2: Himpunan Fuzzy Variabel Knowledge Semesta pembicaraan Nama himpunan Range Domain fuzzy Naik [50 100] Turun [0 60 ] Diagram membership function untuk variabel knowledge dapat dilihat seperti gambar 3 berikut ini: Gambar 3: Membership Function Untuk Variabel Knowledge Pada variabel Knowledge data yang dimiliki dapat dibagi menjadi 2 himpunan fuzzy, yaitu: naik dan turun. Himpunan fuzzy turun akan memiliki domain [0 60 ], dengan derajat keanggotaan turun, tertinggi (=1) terletak pada nilai 50. Himpunan fuzzy naik akan memiliki domain [ ], dengan derajat keanggotaan naik, tertinggi (=1) terletak pada nilai 60. Apabila nilai variabel Knowledge semakin melebihi dari 50, maka nilainya semakin mendekati naik. Himpunan fuzzy turun direpresentasikan dengan fungsi keanggotaan bahu kiri, fungsi keanggotaan untuk himpunan turun dapat dilihat pada persamaan berikut: 54
5 µturun[x1] = 1 ; x1 50 (60 - x1) ; 50 x1 60 (60-50) x d Himpunan fuzzy naik akan memiliki domain [50-100], dengan derajat keanggotaan naik tertinggi (=1) terletak pada nilai 60. Apabila nilai variabel naik kurang dari 60, maka nilainya semakin mendekati turun. Himpunan fuzzy naik direpresentasikan dengan fungsi keanggotaan bahu kanan. Fungsi keanggotaan untuk himpunan fuzzy naik dapat dilihat pada persamaan sebagai berikut: µnaik[x1] = x1 50 (x1 50 ) ; 50 x1 60 (60-50) 1 ; x1 60 Tabel 3 menunjukan hasil perhitungan derajat keanggotan dengan persamaan diatas untuk sampel 5 data untuk variabel knowledge : Tabel 3: Data Knowledge Front-liner Posisi Nilai Derajat Keanggotaan No. Nama Knowledge Rendah Naik 1 A CS B CS C Teller D Teller E Satpam F Satpam Analisa Sistem untuk Variabel Observasi oleh PIC Variabel observasi oleh PIC adalah input yang merupakan nilai rata-rata adalah sangat baik, baik, kurang baik dan tidak baik. Dengan aspek penampilan, sikap dan skill. Penilaian yaitu berdasarkan dimensi-dimensi yang ada pada aspek penampilan, sikap, dan skill dinilai langsung oleh bagian OJL Kanwil BRI Padang. Penilaian komponen tersebut dilakukan untuk mendapatkan nilai variabel metode observasi oleh PIC dan penunjang variabel lain yang dibutuhkan. Nilai variabel metode observasi oleh PIC di bagi atas 5 kriteria yaitu: Semesta pembicaraan Tabel 4: Himpunan Fuzzy Variable Observasi oleh PIC Nama himpunan Domain fuzzy Range Sangat Baik Baik Kurang Baik Tidak Baik Diagram membership function untuk variabel Metode Observasi oleh PIC dapat dilihat pada gambar 4 berikut ini: 55
6 Gambar 4: Membership Function Untuk Variabel Observasi oleh PIC Pada variabel Observasi oleh PIC data yang dimiliki dapat dibagi menjadi 4 himpunan fuzzy, yaitu: tidak baik, kurang baik, baik, sangat baik. Himpunan fuzzy tidak baik akan memiliki domain [ 0-50], dengan derajat keanggotaan tidak baik, tertinggi (=1) terletak pada nilai 40. Himpunan fuzzy kurang baik akan memiliki domain [ 40-60], dengan derajat keanggotaan kurang baik, tertinggi (=1) terletak pada nilai 50. Himpunan fuzzy baik akan memiliki domain [ 50-70], dengan derajat keanggotaan kurang baik, tertinggi (=1) terletak pada nilai 60. Himpunan fuzzy sangat baik akan memiliki domain [ ], dengan derajat keanggotaan sangat baik, tertinggi (=1) terletak pada nilai 70. Apabila nilai variabel Observasi oleh PIC semakin melebihi dari 40, maka nilainya semakin mendekati kurang baik. Himpunan fuzzy tidak baik direpresentasikan dengan fungsi keanggotaan bahu kiri, fungsi keanggotaan untuk himpunan tidak baik dapat dilihat pada persamaan berikut: µtidak_baik[x1 ] = 1 ; x1 40 (50 - x1) ; 40 x1 50 (50-40) x 50 Himpunan fuzzy kurang baik akan memiliki domain [40-60], dengan derajat keanggotaan kurang baik tertinggi (=1) terletak pada nilai 50. Apabila nilai variabel observasi oleh PIC kurang dari 50, maka nilainya semakin mendekati tidak baik. Fungsi keanggotaan untuk himpunan fuzzy kurang baik dapat dilihat pada persamaan sebagai berikut: µkurang_baik[x 1] = X x x1 40 atau x1 60 ; 40 x1 50 ; 50 x1 60 Himpunan fuzzy baik akan memiliki domain [50-70], dengan derajat keanggotaan baik tertinggi (=1) terletak pada nilai 60. Apabila nilai variabel observasi oleh PIC kurang dari 60, maka nilainya semakin mendekati kurang baik. Fungsi keanggotaan untuk himpunan fuzzy baik dapat dilihat pada persamaan sebagai berikut: µbaik[x1] = X x x1 50 atau x1 70 ; 50 x1 60 ; 60 x
7 Himpunan fuzzy sangat baik akan memiliki domain [60-100], dengan derajat keanggotaan sangat baik tertinggi (=1) terletak pada nilai 70. Apabila nilai variabel obervasi oleh PIC kurang dari 70, maka nilainya semakin mendekati baik. Himpunan fuzzy sangat baik direpresentasikan dengan fungsi keanggotaan bahu kanan. Fungsi keanggotaan untuk himpunan fuzzy sangat baik dapat dilihat pada persamaan sebagai berikut: µsangat_baik[x1 ] = X ; x1 60 ; 60 x1 70 x1 70 Tabel 4.4 menunjukan hasil perhitungan derajat keanggotan dengan persamaan diatas untuk sampel 5 data untuk variable PIC seperti pada tabel 5 : Tabel 5: Data Observasi Oleh PIC Derajat Keangotaan No Nama Posisi nilai TB KB B SB 1 A CS B CS C Teller D Teller E Satpam F Satpam Analisa Sistem untuk Variabel Evaluasi Rekan Kerja Variabel evaluasi rekan kerja adalah input yang merupakan nilai rata-rata adalah selalu, sering, jarang dan tidak pernah. Dengan penilaian dari rekan kerja berdasarkan kondisikondisi yang ada yang tercangkup dalam kuisoner yang memuat kondisi-kondisi standar layanan yang dilakukan oleh front-liner kepada nasabah. Nilai variable evaluasi rekan kerja dibagi atas 4 kriteria yaitu : Tabel 6: Himpunan Fuzzy Variabel Evaluasi Rekan Kerja Semesta Nama himpunan Range Domain pembicaraan fuzzy Selalu Sering Jarang Tidak Pernah Diagram membership function untuk variabel evaluasi rekan kerja dapat dilihat pada gambar 4.5 berikut ini: 57
8 Gambar 5: Membership Function Untuk Variabel Evaluasi Rekan Kerja Pada variabel evaluasi rekan kerja data yang dimiliki dapat dibagi menjadi 4 himpunan fuzzy, yaitu: tidak pernah, jarang, sering, dan selalu. Himpunan fuzzy tidak pernah akan memiliki domain [ 0-50], dengan derajat keanggotaan tidak pernah, tertinggi (=1) terletak pada nilai 40. Himpunan fuzzy jarang akan memiliki domain [ 40-60], dengan derajat keanggotaan jarang, tertinggi (=1) terletak pada nilai 50. Himpunan fuzzy sering akan memiliki domain [ 50-70], dengan derajat keanggotaan sering, tertinggi (=1) terletak pada nilai 60. Himpunan fuzzy selalu akan memiliki domain [ ], dengan derajat keanggotaan selalu, tertinggi (=1) terletak pada nilai 70. Apabila nilai variabel evaluasi rekan kerja semakin melebihi dari 40, maka nilainya semakin mendekati jarang. Himpunan fuzzy tidak pernah direpresentasikan dengan fungsi keanggotaan bahu kiri, fungsi keanggotaan untuk himpunan tidak pernah dapat dilihat pada persamaan berikut: µtidak_pernah[x 1] = 1 ; x x x1 50 x1 50 Himpunan fuzzy jarang memiliki domain [40-60], dengan derajat keanggotaan Jarang tertinggi (=1) terletak pada nilai 50. Apabila nilai variabel evaluasi rekan kerja kurang dari 50, maka nilainya semakin mendekati tidak pernah. Fungsi keanggotaan untuk himpunan fuzzy jarang dapat dilihat pada persamaan sebagai berikut: µjarang[x1] = X x x1 40 atau x x1 50 ; 50 x1 60 Himpunan fuzzy sering akan memiliki domain [50-70], dengan derajat keanggotaan sering tertinggi (=1) terletak pada nilai 60. Apabila nilai variabel evaluasi rekan kerja kurang dari 60, maka nilainya semakin mendekati jarang. Fungsi keanggotaan untuk himpunan fuzzy sering dapat dilihat pada persamaan sebagai berikut: µsering[x1] = X x x1 50 atau x x1 60 ; 60 x
9 Himpunan fuzzy selalu akan memiliki domain [60-100], dengan derajat keanggotaan selalu tertinggi (=1) terletak pada nilai 70. Apabila nilai variabel evaluasi rekan kerja kurang dari 70, maka nilainya semakin mendekati sering. Fungsi keanggotaan untuk himpunan fuzzy selalu dapat dilihat pada persamaan sebagai berikut: µselalu[x1] = X ; ; x x1 70 x1 70 Tabel 7. menunjukan hasil perhitungan derajat keanggotan dengan persamaan diatas untuk sampel 5 data untuk variabel rekan kerja. Tabel 7: Data Evaluasi Rekan Kerja Derajat Keangotaan No Nama Posisi nilai TB KB B SB 1 A CS B CS C Teller D Teller E Satpam F Satpam Analisa Sistem untuk Variabel Evaluasi Diri Sendiri Variabel evaluasi diri sendiri adalah input yang merupakan nilai rata-rata adalah selalu, sering, jarang dan tidak pernah. Dengan penilaian oleh diri sendiri berdasarkan kondisikondisi yang ada yang tercangkup dalam kuisoner yang memuat kondisi-kondisi standar layanan yang dilakukan oleh front-liner tersebut kepada nasabah. Nilai variabel metode observasi diri sendiri dibagi atas 4 kriteria yaitu: Tabel 8: Himpunan Fuzzy Variabel Metode Observasi Diri Sendiri Semesta pembicaraan Nama himpunan fuzzy Domain Range Selalu Sering Jarang Tidak Pernah Diagram membership function untuk variable evaluasi diri sendiri dapat dilihat pada gambar 6 berikut ini: 59
10 Gambar 6: Membership Function Untuk Variabel Evaluasi Diri Sendiri Pada variabel evaluasi diri sendiri data yang dimiliki dapat dibagi menjadi 4 himpunan fuzzy, yaitu: tidak pernah, jarang, sering, dan selalu. Himpunan fuzzy tidak pernah akan memiliki domain [ 0-50], dengan derajat keanggotaan tidak pernah, tertinggi (=1) terletak pada nilai 40. Himpunan fuzzy jarang akan memiliki domain [ 40-60], dengan derajat keanggotaan jarang, tertinggi (=1) terletak pada nilai 50. Himpunan fuzzy sering akan memiliki domain [ 50-70], dengan derajat keanggotaan sering, tertinggi (=1) terletak pada nilai 60. Himpunan fuzzy selalu akan memiliki domain [ ], dengan derajat keanggotaan selalu, tertinggi (=1) terletak pada nilai 70. Apabila nilai variabel evaluasi rekan kerja semakin melebihi dari 40, maka nilainya semakin mendekati jarang. Himpunan fuzzy tidak pernah direpresentasikan dengan fungsi keanggotaan bahu kiri, fungsi keanggotaan untuk himpunan tidak pernah dapat dilihat pada persamaan berikut: 1 ; x1 40 µtidak_pernah[x1 ] = 50 - x x1 50 x1 50 Himpunan fuzzy jarang akan memiliki domain [40-60], dengan derajat keanggotaan jarang tertinggi (=1) terletak pada nilai 50. Apabila nilai variabel evaluasi diri sendiri kurang dari 50, maka nilainya semakin mendekati tidak pernah. Fungsi keanggotaan untuk himpunan fuzzy jarang dapat dilihat pada persamaan sebagai berikut: µjarang[x1] = X x x1 40 atau x x1 50 ; 50 x1 60 Himpunan fuzzy sering akan memiliki domain [50-70], dengan derajat keanggotaan cukup setuju tertinggi (=1) terletak pada nilai 60. Apabila nilai variabel evaluasi diri sendiri kurang dari 60, maka nilainya semakin mendekati jarang. Fungsi keanggotaan untuk himpunan fuzzy sering dapat dilihat pada persamaan sebagai berikut: µsering[x1] = X x x1 50 atau x x1 60 ; 60 x
11 Himpunan fuzzy selalu akan memiliki domain [60-100], dengan derajat keanggotaan selalu tertinggi (=1) terletak pada nilai 70. Apabila nilai variabel evaluasi rekan kerja kurang dari 70, maka nilainya semakin mendekati sering. Fungsi keanggotaan untuk himpunan fuzzy selalu dapat dilihat pada persamaan sebagai berikut: µselalu[x1] = X ; x1 60 ; 60 x1 70 x1 70 Tabel 9. menunjukan hasil perhitungan derajat keanggotan dengan persamaan diatas untuk sampel 5 data untuk variable rekan kerja. Tabel 9: Data Evaluasi Diri Sendiri No Nama Posisi nilai Derajat Keangotaan TB KB B SB 1 A CS B CS C Teller D Teller E Satpam F Satpam Fuzzifikasi merupakan suatu proses untuk mengubah suatu peubah masukan dari bentuk tegas (crisp) menjadi peubah fuzzy (variable linguistik) yang biasanya disajikan dalam bentuk himpunan fuzzy dengan fungsi keanggotaannya masing-masing Inference Rule Tahap ini merupakan tahap di mana penentuan aturan-aturan logika fuzzy ditetapkan. Aturan-aturan dibentuk untuk menyatakan relasi antara input yang ada dengan output ssuai dengan fakta yang ada. Operator yang digunakan untuk menghubungkan antara dua input adalah operator AND, dan yang menetapkan antara input-output adalah IF-THEN. Aturan yang dipakai adalah berdasarkan angket yang disebar yaitu dari maksimal yang terbentuk pertanyaan yang paling banyak dipilih oleh responden untuk menyatakan relasi antara input dan output. Inference rule untuk pengujian ini, sebagai contoh pada kasus pertama kita mengunakan tiga rule yaitu : Rule 1 : IF Knowledge is Naik AND PIC is Baik AND Rekan Kerja is Sering AND Diri Sendiri is Sering THEN Kinerja Bagus. Rule 2 :IF Knowledge is Naik AND PIC is Baik AND Rekan Kerja is selalu AND Diri Sendiri is Sering THEN Kinerja Bagus. Rule 3 : IF Knowledge is Naik AND PIC is Sangat Baik AND Rekan Kerja is Selalu AND Diri Sendiri is Selalu THEN Kinerja Sangat Bagus. 61
12 Setelah melakukan inference rule, tahap selanjutnya melakukan defuzifikasi dapat dilihat pada analisa berikut ini (defuzzifikasi pada kasus pertama) : Rule 1 = µnaik(95), µbaik(64), µsering(64), µsering(69) = min (1,0.2,0.6,0.9) = 0.2 Aggregation dari Rule 1 dapat dilhat pada Lihat Gambar 7 : Gambar 7: Aggregation Rule 1 Rule 2 = µnaik(95), µbaik(64), µselalu(64), µsering(69) = min (1,0.2,0.4,0.9) = 0.2 Aggregation dari Rule 2 dapat dilhat pada Lihat Gambar 8 : Gambar 8: Aggregation Rule 2 Rule 3 = µnaik(95), µsangat baik(64), µselalu(64), µselalu(69) = min (1,0.8,0.4,0.1) = 0.1 Aggregation dari Rule 3 dapat dilhat pada Lihat Gambar 9 : Defuzifikasi Gambar 9 : Aggregation Rule 3 Dari hasil aplikasi fungsi implikasi dari tiap aturan, digunakan metoda max-min untuk melakukan komposisi antar semua aturan. Hasilnya seperti pada Gambar 10 berikut : 62
13 Gambar 10: Combination Dengan menggunakan metode COA, maka kinerja adalah sebagai berikut : Z = 60*0+70*0.2+80*0.1+90* * Z = Z = 82 Dengan mengunakan Model Mamdani, untuk knowledge = 95, PIC= 68, rekan kerja = 75 dan diri sendiri = 79 maka hasil kinerjanya adalah Sangat bagus. Untuk kasus lain dapat dilihat pada contoh berikut ini : Kasus 1 : front-liner yang bernama B yang memiliki nilai knowledge = 93, PIC = 73, rekan kerja = 75 dan diri sendiri = 81. IF (Knowledge is Naik) and ( PIC is Sangat Baik ) and (Rekan is selalu) and (Sendiri is Selalu) then (Kinerja is Sangat Baik). Rule = Min µ Naik (50); µ Baik (50 60 ); µ Selalu (60); µ Selalu (60) = Min (1 ; 1 ; 1 ; 1 ) = 1 Z = 80*1+90*1+100* Z= 90 (sangat bagus) Kasus 2 : front-liner yang bernama C yang memiliki nilai knowledge = 83, PIC = 100, rekan kerja = 64 dan diri sendiri = 84 dengan hasil kinerja. IF (Knowledge is Naik) and ( PIC is Sangat Baik ) and (Rekan is selalu) and (Sendiri is Selalu) then (Kinerja is Sangat Baik). [Rule 1] = Min µ Naik (50); µsangat Baik (50 60 ); µ Selalu (60); µ Selalu (60) = Min (1 ; 1 ; 0.6 ; 1 ) = 0.6 Z = 76*0.6+80*0.6+90* * Z = 86.5 (sangat bagus) Kasus 3 : front-liner yang bernama D yang memiliki nilai knowledge = 63, PIC = 88, rekan kerja = 90 dan diri sendiri = 69. IF (Knowledge is Naik) and ( PIC is Sangat Baik ) and (Rekan is selalu) and (Sendiri is Selalu) then (Kinerja is Sangat Baik). 63
14 [Rule 1] = Min µ Naik (50); µ Baik (50 60 ); µ Selalu (60); µ Selalu (60) = Min (1 ; 1 ; 1 ; 0.9 ) = 0.9 Z= 79*0.9+80*0.9+90* * Z=87.25 (sangat bagus) Kasus 4 : front-liner yang bernama D yang memiliki nilai knowledge = 35, PIC = 100, rekan kerja = 64 dan diri sendiri = 69. IF (Knowledge is Turun) and ( PIC is Sangat Baik ) and (Rekan is Sering) and (Sendiri is Selalu and sering) then (Kinerja is Tidak Baik). [Rule 1] = Min µ Naik (50); µ Baik (50 60 ); µ Selalu (60); µ Selalu (60) ; µ Sering (60) = Min (1 ; 1 ; 1 ; 0.9 ;01) = 0.1 Z= 59* Z=59 (tidak bagus) Pengujian Dengan Matlab Jumlah sampel yang digunakan untuk pengujian sebanyak 4 data sampel dengan rincian data sampel sebagai berikut: A. Untuk front-liner memiliki nilai knowledge = 93, PIC = 73, rekan kerja = 75 dan diri sendiri = 81. Gambar 11: Rule Viewer Sampel B Dengan Rule yang terbentuk yaitu : knowledge = naik, PIC = sangat baik, rekan = selalu, sendiri = selalu untuk kinerja dengan penilaian sangat baik seperti gambar 5.1 di atas. B. Untuk front-liner memiliki nilai knowledge = 83, PIC = 100, rekan kerja = 64 dan diri sendiri =
15 Gambar 12: Rule Viewer Sampel C Dengan Rule yang terbentuk yaitu : knowledge = naik, PIC = sangat baik, rekan = selalu, sendiri = selalu untuk kinerja dengan penilaian sangat baik seperti gambar 5.2 di atas. C. Untuk front-liner memiliki nilai knowledge = 35, PIC = 100, rekan kerja = 64 dan diri sendiri = 69. Gambar 13: Rule Viewer Sampel E Dengan Rule yang terbentuk yaitu : Knowledge = turun, PIC = sangat baik, rekan = sering, sendiri = sering untuk kinerja dengan penilaian tidak Bagus seperti gambar 5.4 di atas. Hasil dari Pengukuran kinerja (output) pegawai Bank BRI Kanwil Padang khususnya pada formasi front-liner dengan mengunakan logika fuzzy yang berdasarkan variabel (input) seperti knowledge, PIC, rekan kerja dan diri sediri seperti yang ditunjukan pada tabel 10: Tabel 10: Tabel Hasil Pengukuran Kinerja No. Nama Posisi Knowledge PIC Nilai Rekan Kerja Diri sendiri Nilai Kinerja Himpunan Fuzzy Kinerja 1 B CS Sangat Bagus 3 D Teller Sangat Bagus 3 E Satpam Tidak Bagus 65
16 5. Kesimpulan Berdasarkan penelitian yang penulis lakukan pada Kanwil Bank BRI Padang, mengenai pengukuran kinerja frontliner dengan logika fuzzy, maka penulis dapat menarik kesimpulan bahwa : 1. Untuk mendapatkan sebuah keputusan yang cukup tinggi tingkat keakuratannya ( dalam penelitian ini berhubungan dengan kinerja front-liner ) maka dapat digunakan metode logika fuzzy. Metode Fuzzy lebih efektif dan efisien digunakan pada pengukuran kinerja front-liner. Serta Rule yang digunakan pada sistem fuzzy disesuaikan dengan software yang digunakan yaitu MATLAB. 2. Jika jumlah membership function nya lebih banyak maka hasil yang didapat akan lebih valid karena tidak adanya nilai yang overlap. 3. Dengan adanya metode fuzzy maka pengukuran kinerja front-liner jadi tepat sasaran karena diseleksi melalui 4 variabel sesuai surat edaran yang ada pada Bank BRI yaitu: Knowledge, Observasi Oleh PIC, Evaluasi Rekan Kerja, Evaluasi Diri Sendiri. 4. Rule yang dihasilkan dengan sistem aplikasi MATLAB ini dapat membantu pihak Bank BRI dalam menngukur kinerja pegawai khususnya front-liner. Referensi [1] Abdur Rashid Khan,2011. Application of Expert System with Fuzzy Logic in Teachers Performance Evaluation [2] Amartya Neogi,2011. A Cascaded Fuzzy Inference System for University Non-Teaching Staff Performance Appraisal [3] Irvan Subakti Sistem Berbasis Pengetahuan. Surabaya. Jurusan Manajemen Fakultas Ekonomi,2007. Bisnis dan Manajemen. UNiversitas Lampung,Lampung [4] Sri Kusuma Dewi Artificial Intelligence. Yogyakarta. Graha Ilmu [5] Sri Kusuma Dewi, Sri Hartanti Neuro-Fuzzy Integrasi Sistem Fuzzy & Jaringan Syaraf. Yogyakarta. Graha Ilmu [6] Agus Naba Belajar Cepat Fuzzy Logic Menggunakan MATLAB. Yogyakarta. Andi [7] Supriyono Analisis Perbandingan Logika Fuzzy Dengan Regresi Berganda Sebagai Alat Peramalan. 66
EVALUASI 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 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 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 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 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 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 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 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 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 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 terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA Pada bab ini penulis akan menjelaskan mengenai landasan teori yang digunakan pada penelitian ini. Penjabaran ini bertujuan untuk memberikan pemahaman lebih mendalam kepada penulis
Lebih terperinciLOGIKA FUZZY (Lanjutan)
Metode Mamdani Metode mamdani sering dikenal sebagai metode Max-Min. Metode ini diperkenalkan oleh Ebrahim Mamdani pada tahun 1975. Menurut metode ini, ada empat tahap yang harus dilalui untuk mendapatkan
Lebih 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 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 terperinciJOBSHEET SISTEM CERDAS REASONING 2. Fuzzifikasi
JOBSHEET SISTEM CERDAS REASONING 2 Fuzzifikasi S1 PENDIDIKAN TEKNIK ELEKTRO JURUSAN TEKNIK ELEKTRO FAKULTAS TEKNIK UNIVERSITAS NEGERI MALANG 2016 PRAKTIKUM SISTEM CERDAS - REASONING JOBSHEET 2 - FUZZIFIKASI
Lebih 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 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 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 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 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 terperinciAnalisis Pengaruh Pemilihan Fuzzy Membership Function Terhadap Output Sebuah Sistem Fuzzy Logic
Analisis Pengaruh Pemilihan Fuzzy Membership Function Terhadap Output Sebuah Sistem Fuzzy Logic Luh Kesuma Wardhani, Elin Haerani Jurusan Teknik Informatika Fakultas Sains dan Teknologi UIN SUSKA Riau
Lebih terperinciPENENTUAN PENJURUSAN SISWA SMA DENGAN MENGGUNAKAN FUZZY LOGIC METODE MAMDANI
JURNAL LOGIC. VOL. 15. NO. 3. NOPEMBER 2015 199 PENENTUAN PENJURUSAN SISWA SMA DENGAN MENGGUNAKAN FUZZY LOGIC METODE MAMDANI Ni Made Karmiathi Jurusan Teknik Elektro, Politeknik Negeri Bali Bukit JImbaran,
Lebih terperinciSeminar Tugas Akhir. Perancangan Sistem Pakar Fuzzy Untuk Pengenalan Dini Potensi Terserang Stroke Berbasis Web
Seminar Tugas Akhir Perancangan Sistem Pakar Fuzzy Untuk Pengenalan Dini Potensi Terserang Stroke Berbasis Web Oleh: Harmuda Pandiangan 1209 100 089 Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan
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 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 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 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 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 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 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 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 terperinciDENIA FADILA RUSMAN
Sidang Tugas Akhir INVENTORY CONTROL SYSTEM UNTUK MENENTUKAN ORDER QUANTITY DAN REORDER POINT BAHAN BAKU POKOK TRANSFORMER MENGGUNAKAN METODE FUZZY (STUDI KASUS : PT BAMBANG DJAJA SURABAYA) DENIA FADILA
Lebih terperinciAPLIKASI 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 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 terperinciIMPLEMENTASI FUZZY LOGIC DALAM MENENTUKAN PENDUDUK MISKIN (STUDI KASUS PADA BADAN PUSAT STATISTIK KOTA PAGARALAM)
IMPLEMENTASI FUZZY LOGIC DALAM MENENTUKAN PENDUDUK MISKIN (STUDI KASUS PADA BADAN PUSAT STATISTIK KOTA PAGARALAM) Junius_Effendi* Email : Cyberpga@ymail.com ABSTRAK Penelitian ini dilakukan untuk memperlajari
Lebih terperinciPERBANDINGAN PRODUKSI KOPI OPTIMUM ANTARA METODE FUZZY-MAMDANI DENGAN FUZZY-SUGENO (Studi Kasus: PT SARIMAKMUR TUNGGALMANDIRI)
PERBANDINGAN PRODUKSI KOPI OPTIMUM ANTARA METODE FUZZY-MAMDANI DENGAN FUZZY-SUGENO (Studi Kasus: PT SARIMAKMUR TUNGGALMANDIRI) RIANTO PANGIHUTAN SAMOSIR 090803024 DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA
Lebih terperinciMetode Fuzzy Logic Untuk Evaluasi Kinerja Pelayanan Perawat Rumah Sakit Permata Bekasi (RSPB) ABSTRACT
Metode Fuzzy Logic Untuk Evaluasi Kinerja Pelayanan Perawat Rumah Sakit Permata Bekasi (RSPB) M. Ridwan Effendi jundi79@gmail.com Fakultas Komputer Jurusan Sistem Informasi Universitas Mohammad Husni Thamrin
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 terperinciSIDANG TUGAS AKHIR IMPLEMENTASI FUZZY RULES UNTUK PERENCANAAN DAN PENENTUAN PRIORITAS DI PDAM KOTA SURABAYA. oleh: WINDA ZULVINA
SIDANG TUGAS AKHIR IMPLEMENTASI FUZZY RULES UNTUK PERENCANAAN DAN PENENTUAN PRIORITAS PEMELIHARAAN PERALATAN PRODUKSI DI PDAM KOTA SURABAYA oleh: WINDA ZULVINA 5206100040 Dosen Pembimbing : Mahendrawathi
Lebih 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 terperinciPENENTUAN JUMLAH PRODUKSI TELEVISI MERK X MENGGUNAKAN METODE FUZZY MAMDANI
PENENTUAN JUMLAH PRODUKSI TELEVISI MERK X MENGGUNAKAN METODE FUZZY MAMDANI Ahmad Mufid Program Studi Sistem Komputer Fakultas Teknik Universitas Sultan Fatah (UNISFAT) Jl. Sultan Fatah No. 83 Demak Telpon
Lebih terperinciBAB 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 terperinciOleh: ABDUL AZIS JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA 2013
Oleh: ABDUL AZIS 1209 100 073 JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA 2013 Sektor pertanian merupakan salah satu penopang perekonomian
Lebih 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 terperinciLOGIKA FUZZY. Dr. Ade Gafar Abdullah JPTE-UPI
LOGIKA FUZZY Dr. Ade Gafar Abdullah JPTE-UPI Introduction Logika fuzzy adalah cabang dari sistem kecerdasan buatan (Artificial Intelegent) yang mengemulasi kemampuan manusia dalam berfikir ke dalam bentuk
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 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 terperinciFUZZY LOGIC CONTROL 1. LOGIKA FUZZY
1. LOGIKA FUZZY Logika fuzzy adalah suatu cara tepat untuk memetakan suatu ruang input ke dalam suatu ruang output. Teknik ini menggunakan teori matematis himpunan fuzzy. Logika fuzzy berhubungan dengan
Lebih terperinciBAB 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 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 terperinciTeam project 2017 Dony Pratidana S. Hum Bima Agus Setyawan S. IIP
Hak cipta dan penggunaan kembali: Lisensi ini mengizinkan setiap orang untuk menggubah, memperbaiki, dan membuat ciptaan turunan bukan untuk kepentingan komersial, selama anda mencantumkan nama penulis
Lebih terperinciBAB 2 LANDASAN TEORI
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 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 terperinciKAJIAN SISTEM PAKAR DAN FUZZY LOGIC DALAM PENENTUAN JURUSAN
KAJIAN SISTEM PAKAR DAN FUZZY LOGIC DALAM PENENTUAN JURUSAN Firmansyah 1 ), Jusmita Weriza 1 ) Universitas Ekasakti padang, Indonesia f2mamak@gmail.com ABSTRAK SMA (Sekolah Menengah Atas) adalah sebagai
Lebih terperinciPEMBUATAN SISTEM PENDUKUNG KEPUTUSAN UNTUK MENENTUKAN JURUSAN MENGGUNAKAN LOGIKA FUZZY BERBASIS WEBSITE Studi Kasus: SMA Negeri 10 Purworejo
PEMBUATAN SISTEM PENDUKUNG KEPUTUSAN UNTUK MENENTUKAN JURUSAN MENGGUNAKAN LOGIKA FUZZY BERBASIS WEBSITE Studi Kasus: SMA Negeri 10 Purworejo NASKAH PUBLIKASI diajukan oleh Melida Putri Eka Sari 11.12.6165
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 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 terperinciKata kunci: Kepuasan, Logika Fuzzy, SERVQUAL. Keywords: Satisfaction, Fuzzy Logic, SERVQUAL
ANALISIS KEPUASAN MASYARAKAT TERHADAP KUALITAS PELAYANAN PENGADILANAGAMA KABUPATEN KEDIRI DENGAN PENDEKATAN LOGIKA FUZZY (ANALYSIS OF COMMUNITY SATISFACTION TO QUALITY SERVICE OF RELIGIOUS COURTS KAB.
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 terperinciAPLIKASI FUZZY INFERENCE SYSTEM (FIS) MAMDANI TERHADAP KINERJA GURU DI SMK N 1 BUKITTINGGI
APLIKASI FUZZY INFERENCE SYSTEM (FIS) MAMDANI TERHADAP KINERJA GURU DI SMK N 1 BUKITTINGGI Annisa Ramadhany 1), Khairudin 2), Mirza Zoni 3) 1) Mahasiswa Program Studi PTIK FKIP Universitas Bung Hatta Padang
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 terperinciSNIPTEK 2014 ISBN:
SNIPTEK 2014 ISBN: 978-602-72850-5-7 METODE FUZZY UNTUK ANALISA PENGARUH KEPUASAN NASABAH TERHADAP KINERJA PELAYANAN TELLER ( STUDI KASUS : PT. BANK DKI CABANG WALIKOTA JAKARTA TIMUR ) Novi Sabda Putri
Lebih terperinciMETODE FUZZY UNTUK ANALISA PENGARUH KEPUASAN NASABAH TERHADAP KINERJA PELAYANAN TELLER ( STUDI KASUS : PT. BANK DKI CABANG WALIKOTA JAKARTA TIMUR )
1 METODE FUZZY UNTUK ANALISA PENGARUH KEPUASAN NASABAH TERHADAP KINERJA PELAYANAN TELLER ( STUDI KASUS : PT. BANK DKI CABANG WALIKOTA JAKARTA TIMUR ) Novi Sabda Putri 1, Sumanto 2, Eka Puspita Sari 3 1.
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 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 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 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 terperinciLogika Fuzzy. Farah Zakiyah Rahmanti 2016
Logika Fuzzy Farah Zakiyah Rahmanti 2016 Topik Bahasa Alami Crisp Logic VS Fuzzy Logic Fungsi Keanggotaan (Membership Function) Fuzzifikasi (Fuzzyfication) Inferensi (Inference) Komposisi (Composition)
Lebih terperinciFuzzy Inference System Metode Mamdani Dalam Penentuan Nilai Akhir Ujian Hafalan Al.Qur an
164 BINA INSANI ICT JOURNAL, Vol.3, No.1, Juni 2016, 164 171 ISSN: 2355-3421 (Print) ISSN: 2527-9777 (Online) Fuzzy Inference System Metode Mamdani Dalam Penentuan Nilai Akhir Ujian Hafalan Al.Qur an Kusuma
Lebih terperinciANALISA TINGKAT KEPUASAN MASYARAKAT DENGAN KUALITAS KINERJA KEPOLISIAN MENGGUNAKAN METODE FUZZY LOGIC SUGENO
ANALISA TINGKAT KEPUASAN MASYARAKAT DENGAN KUALITAS KINERJA KEPOLISIAN MENGGUNAKAN METODE FUZZY LOGIC SUGENO Sestri Novia Rizki Dosen Program Studi Teknik Informatika Universitas Putera Batam sestrino90@gmail.com
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 terperinciPERBANDINGAN METODE FUZZY SUGENO DAN METODE FUZZY MAMDANI DALAM PENENTUAN STOK BERAS PADA PERUM BULOG DIVISI REGIONAL SUMUT SKRIPSI
PERBANDINGAN METODE FUZZY SUGENO DAN METODE FUZZY MAMDANI DALAM PENENTUAN STOK BERAS PADA PERUM BULOG DIVISI REGIONAL SUMUT SKRIPSI DESMON GUNADI SIAGIAN 110803066 DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA
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 terperinciAPLIKASI METODE FUZZY SUGENO DALAM PENENTUAN PERSEDIAAN KERTAS ROKOK TAHUN 2016 (Studi kasus: PT. PUSAKA PRIMA MANDIRI (PPM)) SKRIPSI
APLIKASI METODE FUZZY SUGENO DALAM PENENTUAN PERSEDIAAN KERTAS ROKOK TAHUN 2016 (Studi kasus: PT. PUSAKA PRIMA MANDIRI (PPM)) SKRIPSI JULIA VERANICA Br SEMBIRING 150823014 DEPARTEMEN MATEMATIKA FAKULTAS
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 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 terperinciSIMULASI PENENTUAN GURU BERPRESTASI DENGAN METODE FUZZY LOGIC MAMDANI INFERENCE MENGGUNAKAN APLIKASI MATLAB
SIMULASI PENENTUAN GURU BERPRESTASI DENGAN METODE FUZZY LOGIC MAMDANI INFERENCE MENGGUNAKAN APLIKASI MATLAB Pio A. F. Islami 1, Kirya Mateeke Moses 2, Muqodimah Nur Lestari 3, Aji Prasetya Wibawa 4 1,
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 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 terperinciAnalisa Sistem Penilaian Kinerja Guru Menggunakan Fuzzy Inference System Mamdani: Studi Kasus UPT Dinas Pendidikan Kec. Penengahan Lampung Selatan
Analisa Sistem Penilaian Kinerja Guru Menggunakan Fuzzy Inference System Mamdani: Studi Kasus UPT Dinas Pendidikan Kec. Penengahan Lampung Selatan Agung Triayudi 1, Nazori AZ 2 Program Studi Magister Ilmu
Lebih terperinciLOGIKA FUZZY PADA PROSES PELET PAKAN IKAN
LOGIKA FUZZY PADA PROSES PELET PAKAN IKAN Agung Saputra 1), Wisnu Broto 2), Ainil Syafitri 3) Prodi Elektro Fakultas Teknik Univ. Pancasila, Srengseng Sawah Jagakarsa, Jakarta, 12640 Email: 1) agungsap2002@yahoo.com
Lebih terperinciPenentuan Jumlah Konsumsi Dengan Metode Penalaran Fuzzy Mamdani ( Studi Kasus Prediksi Konsumsi Susu Untuk Balita ) Agus Purwo Handoko 1)
ISSN : 1693 1173 Penentuan Jumlah Konsumsi Dengan Metode Penalaran Fuzzy Mamdani ( Studi Kasus Prediksi Konsumsi Susu Untuk Balita ) Agus Purwo Handoko 1) Abstract This paper is an explanation on fuzzy
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 terperinciAnalisa Fuzzy Logic Untuk Menentukan Kepuasan Pelayanan Kinerja Pegawai BAAK (Bagian Administrasi dan Akademik) di Universitas Internasional Batam
Konferensi Nasional Sistem Informasi 2016 STT Ibnu Sina Batam, 11 13 Agustus 2016 1 Analisa Fuzzy Logic Untuk Menentukan Kepuasan Pelayanan Kinerja Pegawai BAAK (Bagian Administrasi dan Akademik) di Universitas
Lebih terperinciANALISIS PERBANDINGAN LOGIKA FUZZY DENGAN REGRESI BERGANDA SEBAGAI ALAT PERAMALAN
ANALISIS PERBANDINGAN LOGIKA FUZZY DENGAN REGRESI BERGANDA SEBAGAI ALAT PERAMALAN SUPRIYONO Sekolah Tinggi Teknologi Nuklir BATAN Jl. Babarsari Kotak Pos 6101/YKBB Yogyakarta. Email : masprie_sttn@yahoo.com
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Era persaingan yang semakin ketat pada saat sekarang ini telah menyebabkan perusahaan-perusahaan yang bergerak di bidang industri khususnya dalam bidang industri makanan
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 terperinciJurnal Edik Informatika Penelitian Bidang Komputer Sains dan Pendidikan Informatika V1.i1(35-43)
Metode Fuzzy Logic Untuk Evaluasi Kinerja Pelayanan Perawat ( Studi Kasus : RSIA Siti Hawa Padang ) Syaeful Anas Aklani Prodi Pendidikan Informatika, STKIP PGRI Sumbar aklani@gmail.com http://dx.doi.org/10.22202/jei.2014.v1i1.1435
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 terperinciMenentukan Harga Beras Sesuai Mutu Kualitas Beras dengan Logika Fuzzy Mamdani
SEMINAR MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2017 T - 13 Menentukan Harga Beras Sesuai Mutu Kualitas Beras dengan Logika Fuzzy Mamdani Ghulam Abdul Malik, Agus Maman Abadi Prodi Matematika, Universitas
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 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 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 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 terperinciPENERAPAN ARTIFICIAL INTELIGENCE UNTUK MENENTUKAN BAKAT DAN MINAT PADA UKM XPRESSI UPI-YPTK PADANG DENGAN MENGGUNAKAN LOGIKA FUZZY
PENERAPAN ARTIFICIAL INTELIGENCE UNTUK MENENTUKAN BAKAT DAN MINAT PADA UKM XPRESSI UPI-YPTK PADANG DENGAN MENGGUNAKAN LOGIKA FUZZY Fakultas Ilmu Komputer, Universitas Putra Indonesia YPTK Padang e-mail
Lebih terperinciPENGEMBANGAN SISTEM PAKAR FUZZY
FUZZY EXPERT SYSTEM FUZZY INFERENCE SYSTEM FUZZY REASONING Toto Haryanto MATA KULIAH SISTEM PAKAR DEPARTEMEN ILMU KOMPUTER INSTITUT PERTANIAN BOGOR PENGEMBANGAN SISTEM PAKAR FUZZY Domain Masalah Fuzzifikasi
Lebih terperinciJURNAL TEKNOLOGI INFORMASI & PENDIDIKAN ISSN : VOL. 5 NO. 1 MARET 2012
SISTEM PENDUKUNG KEPUTUSAN DALAM PENCAIRAN KREDIT NASABAH BANK DENGAN MENGGUNAKAN LOGIKA FUZZY DAN BAHASA PEMROGRAMAN JAVA Mardison 1 ABSTRACT Credit disbursement decisions a client can use the Decision
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 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 terperinciMetode Mamdani Untuk Klasifikasi Dalam Prediksi Indeks Pembangunan Manusia Di Kota Banda Aceh
SEMINAR MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2017 Metode Mamdani Untuk Klasifikasi Dalam Prediksi Indeks Pembangunan Manusia Di Kota Banda Aceh T - 42 Yudha Al Afis, Agus Maman Abadi Prodi Matematika,
Lebih terperinci