IMPLEMENTASI FUZZY LOGIC DALAM MENENTUKAN PENDUDUK MISKIN (STUDI KASUS PADA BADAN PUSAT STATISTIK KOTA PAGARALAM)

Transkripsi

1 IMPLEMENTASI FUZZY LOGIC DALAM MENENTUKAN PENDUDUK MISKIN (STUDI KASUS PADA BADAN PUSAT STATISTIK KOTA PAGARALAM) Junius_Effendi* Cyberpga@ymail.com ABSTRAK Penelitian ini dilakukan untuk memperlajari cara kerja dari sebuah fuzzy logic dalam menganalisa penduduk miskin. Adapun tujuan penelitian ini diharapakan dapat membantu Badan Pusat Statistik Kota Pagaralam di dalam menentukan kategori penduduk miskin atau tidak sesuai dengan ketentuan yang digunakan. Adapun teknik yang digunakan dalam penelitian ini yaitu metode Mamdani, dimana pada metode ini memiliki beberapa tahapan antara lain fuzzifikasi, fungsi implikasi (Min), komposisi aturan dan defuzzifikasi. Di dalam penelitian ini terdapat beberapa kekurangan-kekurangan yang bisa dipelajari kembali pada penelitian berikutnya. Namun demikian, fuzzy logic dan metode Mamdani masih dirasakan cukup efektif dalam menetukan keputusan dari data yang diolah. Kata kunci : Badan Pusat Statistik. Fuzzy Logic, Metode Mamdani fuzzifikasi, fungsi implikasi (Min), komposisi aturan dan defuzzifikasi. PENDAHULUAN Di dalam pembangunan ekonomi di Indonesia kenyataan masih luasnya kemiskinan terutama di perkotaan atau di pedesaan. Kemiskinan berkaitan erat dengan rendahnya pendapatan sehingga tidak dapat memenuhi kebutuhan pokoknya. Pada umumnya di negara berkembang masalah pendapatan yang rendah dan kemiskinan merupakan masalah utama dalam pembangunan ekonomi. Dengan demikian dalam tujuan pembangunan ekonomi kedua hal tersebut selalu dinyatakan bersamaan sehingga menjadi satu kalimat yaitu peningkatan kesejahteraan dalam hal ini peningkatan pendapatan nasional dan pengurangan kemiskinan (Suhardjo,997). Untuk menentukan penduduk yang tergolong sebagai penduduk miskin maka ditentukan sebuah rule yang menjadikan parameter dalam pengelompokan sebuah data penduduk. Kemudian dilanjutkan dengan proses penganalisaan yang akan menyeleksi alternatif terbaik dari sejumlah alternatif, dalam hal ini alternatif yang dimaksud adalah penduduk yang termasuk dengan penduduk miskin berdasarkan kriteria-kriteria yang ditentukan.

2 Fuzzy logic merupakan teori himpunan yang dapat membantu dalam menyelesaikan permasalahan yang dibahas, antara satu kriteria dengan kriteria lainnya yang dihasilkan oleh adanya penilaian manusia terhadap sesuatu hal secara kumulatif. Dalam membangun sebuah sistem fuzzy dikenal beberapa metode penalaran antara lain : Metode Mamdani, Metode Sugeno, Metode Tsukamoto, dan sebagainya.( Lizda Iswari dan Fathul Wahid,25 )xx Dengan penerapan metode Mamdani dalam penggelompokan data penduduk miskin diharapkan dapat memberikan data yang akurat dan dapat digunakan untuk dijadikan suatu kebijakan dalam memberikan informasi yang efektif serta dapat menjadi pembanding dari hasil yang dikeluarkan oleh Badan Pusat Statistik Kota Pagaralam. Berdasarkan latar belakang diatas maka penulis mengangkat judul peneletian ini adalah Impelementasi fuzzy logic dalam menentukan penduduk miskin. Penelitian ini dilakukan di Badan Pusat Statistik Kota Pagaralam Sumatra Selatan. PERUMUSAN MASALAH Berdasarkan uraian latar belakang di atas, maka dapat dirumuskan permasalahan yang akan diambil yaitu :. Bagaimana menentukan kriteria data penduduk miskin, agar dapat dijadikan parameter dalam penggunaan suatu metode? 2. Bagaimana menganalisa penduduk miskin berdasarkan kriteria yang sudah ditentukan? 3. Bagaimana menerapkan Fuzzy logic dengan metode Mamdani dalam menganalisa jumlah penduduk miskin pada Badan Pusat Statistik Kota Pagaralam? BATASAN MASALAH Supaya penyusunan karya ilmiah 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 batasan masalah pada penulisan karya ilmiah ini yaitu :

3 . Sampel data yang dilakukan untuk penelitian ini diperoleh dari Badan Pusat Statistik pada Kota Pagaralam Sumatra Selatan. 2. Penerapan Fuzzy logic dengan metode Mamdani dalam menganalisa penduduk miskin pada tahun 22 yang diperoleh pada Badan Pusat Statistik Kota Pagaralam sebagai bahan perbandingan terhadap sistem yang dipakai. TUJUAN PENELITIAN Tujuan dari penelitian ini adalah :. Menentukan parameter input dan output dalam menentukan penduduk miskin pada Badan Pusat Statistik Kota Pagaralam. 2. Menganalisa kriteria yang termasuk golongan penduduk miskin berdasarkan data dari Badan Pusat Statistik Kota Pagaralam. 3. Merancang sistem baru dengan menggunkan fuzzy logic dengan metode Mamdani dalam menganalisa jumlah penduduk miskin dari Badan Pusat Statistik Kota Pagaralam. 4. Mengimplementasikan sistem yang baru dengan menggunakan fuzzy logic dengan metode Mamdani dalam menganalisa data penduduk pada Badan Statistik Kota Pagaralam khusunya ada berdasarkan kriteria yang sudah ditentukan. 5. Pengujian sistem fuzzy logic dengan menggunakan metode Mamdani yang memanfaatkan tools matlab 6.. MANFAAT PENELITIAN Manfaat dari penelitian ini antara lain :. Dengan menggunakan sistem yang baru yaitu dengan menerapkan Fuzzy Logic, dan metode Mamdani diharapkan dapat memberikan kemudahan bagi Badan Pusat Statistik Kota Paraalam agar lebih efektif dan efisien. 2. Untuk menambah pengetahuan bagi penulis tentang penentuan jumlah penduduk misikin pada Badan Pusat Statistik Kota

4 Pagaralam dangan menggunakan sistem Fuzzy logic dan metode Mamdani. 3. Sebagai bahan perbandingan dan masukan bagi Badan Pusat Statistik dalam mengambil suatu keputusan. LANDASAN TEORI Fuzzy Logic Fuzzy Logic pertama kali diperkenalkan oleh Prof. Lotfi A. Zadeh pada tahun 965. Dasar Fuzzy logic adalah teori himpunan Fuzzy. Pada teori himpunan Fuzzy, peranan derajat keanggotaan sebagai penentu keberadaan elemen dalam suatu himpunan sangatlah penting. Nilai keanggotaan atau derajat keanggotaan atau membership function menjadi cirri utama dari penalaran dengan Fuzzy logic tersebut. (Kusumadewi dan Purnomo, 2). Logika Fuzzy (logika samar) itu sendiri merupakan logika yang berhadapan dengan konsep kebenaran sebagian, dimana logika klasik menyatakan bahwa segala hal dapat di ekspresikan dalam istilah binary ( atau ). Logika Fuzzy memungkinkan nilai keanggotaan antara dan. Berbagai teori didalam perkembangan logika Fuzzy menunjukkan bahwa pada dasarnya logika Fuzzy dapat digunakan untuk memodelkan berbagai sistem. (Much.Djunaidi, Eko Setiawan, Fajar Whedi Andista, 25). Himpunan Fuzzy Himpunan menurut (Fajar Solikin, 2) Himpunan adalah suatu kumpulan atau koleksi objekobjek yang mempunyai kesamaan sifat tertentu. Himpunan Fuzzy merupakan suatu pengembangan lebih lanjut tentang konsep himpunan dalam matematika. Himpunan Fuzzy adalah rentang nilai-nilai, masingmasing nilai mempunyai derajat keanggotaan antara sampai dengan. Suatu himpunan Fuzzy à dalam

5 semesta pembicaraan U dinyatakan dengan fungsi keanggotaan μã, yang nilainya berada dalam interval [,], dapat dinyatakan dengan: 2 μã : U [,]. Himpunan Fuzzy à dalam semesta pembicaraan U biasa dinyatakan sebagai sekumpulan pasangan elemen u (u anggota U) dan derajat keanggotaannya dinyatakan sebagai berikut: à = {(u, μã (u) u U}. Fungsi Keanggotaan Menurut (T.Sutojo, et al, 2) Fungsi keanggotaan adalah grafik yang mewakili besar dari derajat keanggotaan masing-masing variabel input yang berada dalam interval antara dan. Derajat keanggotaan sebuah variabel x dilambangkan dengan symbol µ(x). Rule-rule menggunakan nilai keanggotaan sebagai factor bobot untuk menentukan pengaruhnya pada saat melakukan infrensi untuk menarik kesimpulan. Ada beberapa fungsi keanggotaan yang sering digunakan, di antaranya adalah :. Grafik Keanggotaan Kurva Linier 2. Grafik Keanggotaan Kurva Segitiga 3. Grafik Keanggotaan Kurva Trapesium 4. Grafik Keanggotaan { 2. } Kurva { 2.2 } Bentuk Bahu Operasi-Operasi pada Himpunan Fuzzy Menurut Fajar Solikin(2). Seperti halnya himpunan tegas (crisp set), ada beberapa operasi yang idefinisikan secara khusus untuk mengkombinasi dan memodifikasi himpunan Fuzzy. Nilai keanggotaan sebagai hasil dari operasi dua himpunan sering dikenal dengan nama fire strength atau α-cut. Ada tiga operator dasar yang diciptakan oleh Zadeh, yaitu: AND, OR, dan NOT.. Operator AND 2. Operator OR 3. Operator NOT 4. Domain Himpunan Fuzzy

6 Mamdani Menurut (Matondang, Kusumawati, Abidin,2). Metode Mamdani sering juga dikenal dengan nama Metode Max-Min. Metode ini diperkenalkan oleh Ebrahim Mamdani pada tahun 975. Untuk METODOLOGI PENELITIAN Dalam melakukan penelitian agar hasilnya bisa maksimal, tentunya harus mengikuti kaidahkaidah atau metode yang telah ditetapkan. Metode penelitian yang akan diterapkan adalah metode penelitian ilmiah yang telah diajarkan di bangku perkuliahan. Dalam bab ini penulis menjelaskan tetang kerangka kerja penelitian yang mana terdiri dari menentukan topik ANALISA DATA Pada bab ini penulis akan menjelaskan tentang masalah yang diangkat dalam penelitian yang berkaitan dengan data penduduk yang terdapat pada Badan Pusat Statistik (BPS) Kota Pagaralam pada tahun 22, berdasarkan pekerjaan, mendapatkan output, diperlukan 4 tahapan:. Pembentukan himpunan Fuzzy. 2. Aplikasi fungsi implikasi pada metode mamdani. 3. Komposisi Aturan. 4. Penegasan (defuzzy). penelitan, mempelajari literatur, analisis masalah dan analisi kebutuhan, mengumpulkan data, analisis data, implementasi sistem, dan pengambilan keputusan dari penelitian. Diharapkan dari hasil penelitian ini dapat dijadikan sebuah hasil yang tepat dan akurat sehingga bisa dijadikan sebuah perbandingan dari sistem yang telah ada serta dijadikan sebuah gambaran dalam menggambil sebuah keputusan. pendapatan dan pengeluaran pada tiap-tiap kepala keluarga. Pengumpulan Data Tahap pengumpulan data, di mana data-data yang dikumpulkan adalah data yang akan digunakan dalam mengolah data dengan alat bantu software Fuzzy. Data yang diambil merupakan data-data yang

7 berhubungan langsung dengan tujuan penelitian. Data-data dalam penelitian ini berupa data penduduk Kota Pagaralam pada tahun 22. Analisis Kebutuhan Tahapan Analisa Kebutuhan bertujuan untuk pengelompokan terhadap data sehingga akan memudahkan penulis dalam melakukan analisis berikutnya. Sesuai dengan judul penelitian karya ilmiah ini yang berbasis logika Fuzzy sebagai alat bantu untuk pengambilan keputusan, maka perlu dilakukan analisis terhadap data-data yang akan digunakan. Analisa Data Penduduk Dalam melakukan analisa data pada penyusunan karya ilmiah ini dilakukan dengan menggunakan fuzzy logic. Pada tahapan Analisa Data Penduduk ini, bertujun untuk mengetahui apakah variabel yang digunakan dalam pengolahan datanya sudah sesuai dengan kriteria yang telah ditetapkan dengan menggunakan logika fuzzy untuk menghasilkan suatu output. Data Penduduk Kota Pagaralam No Nama Pekerjaan Pendapatan /Bulan Pengeluaran /Bulan Johan Perdagangan > < 2 Aisyah Pedagang > 5 < 3 Rudi Istur Midi Petani/Pekebun < 5 < 6 4 Muhammad Fuad Swasta > 5 < 6 5 Tarsak Petani/Pekebun < 5 < 6 6 Mery Oktarina Pegawai Negeri Sipil > 5 <

8 Klasifikasi Data penduduk tidak. Ada beberapa kriteria yang Setelah data penduduk didata dapat menyimpulkan bahwa seperti yang di atas, maka penduduk itu adalah penduduk disusunlah cara-cara untuk yang tergolong atau tidak, di mengklasifikasi data penduduk antaranya : tersebut menjadi suatu. Pekerjaan kesimpulan bahwasa nya 2. Pendapatan ± penduduk itu dapat dikatakan 3. Pengeluaran ± sebagai penduduk miskin atau Klasifikasi Data Penduduk No Nama Pekerjaan Pendapatan± Pengeluaran ± Johan Wiraswasta Cukup Sedang 2 Aisyah Wiraswasta Cukup Sedang 3 Rudi Istur Midi Petani Kurang Sedikit 4 Muhammad Fuad Wiraswasta Cukup Sedikit 5 Tarsak Petani Kurang Sedikit 6 Mery Oktarina PNS Cukup Sedang Analisis Data Dalam menyelesaikan permasalahan penulis menggunakan metode Mamdani, adapun langkahlangkah pemodelan logika Fuzzy dalam metode Mamdani, sebagai berikut : a. Fuzzyfikasi b. Inferensi c. Aplikasi Fungsi Implikasi d. Defuzzyfikasi dengan metode Centroid Fuzzyfikasi Dalam kasus ini terdapat 4 variabel, yaitu 3 variabel input yang terdiri dari Variabel Pekerjaan memiliki nilai linguistic yaitu Petani, Wiraswasta, PNS, Variabel Pendapatan memiliki nilai linguistic yaitu Baik, Cukup, Kurang dan Variabel Pengeluaran nilai linguistic yaitu Banyak, Sedang, Sedikit. Sedangkan untuk output yaitu Variabel Indikator yang memiliki

9 nilai linguistic yaitu Lemah,Kurang, Sedang, Kuat, Sangat Kuat. Semesta Pembicaraan Input / Output Input Output Variabel Pekerjaan Pendapatan Pengeluaran Indikator Linguistic / Domain Range Himpunan Petani 25 [ 25] Wiraswasta 4 [ 25 4] Pns 25 5 [ ] Kurang [ 6 ] Cukup 5 5 [6 4] Baik 2 [ 4 2 2] Sedikit [ 6 ] Sedang 6 4 [6 4] Banyak 2 [ 4 2 2] Lemah 2 [ 2] Kurang - 3 [ 2 3] Sedang 2 4 [2 3 4] Kuat 3 5 [3 4 5] Sangat Kuat 4 5 [ ] Fungsi Keanggotaan Fungsi keanggotaan adalah grafik yang mewakili besar dari derajat keanggotaan masing-masing variabel input yang berada dalam interval antara dan. Derajat keanggotaan sebuah variabel x dilambangkan dengan symbol µ(x). Rule-rule menggunakan nilai keanggotaan sebagai faktor bobot untuk menentukan pengaruhnya pada saat melakukan implikasi untuk menarik kesimpulan. Berikut merupakan penggunaan fungsi keanggotaan berdasarkan variabel input dan output. Fungsi Keanggotaan Variabel Pekerjaan Pada tahapan ini akan menggunakan fungsi keanggotaan linier naik untuk kategori PNS, fungsi keanggotaan linier turun untuk kategori PETANI, sedangkan untuk

10 WIRASWATA menggunakan fungsi linier segitiga. Fungsi Keanggotaan Variabel Pendapatan Pada tahapan akan menggunakan fungsi keanggotaan linier naik untuk kategori BAIK, fungsi keanggotaan linier turun untuk kategori SEDIKIT, sedangkan untuk SEDANG menggunakan fungsi linier segitiga. Berdasarkan gambar 4. dapat dilihat pada tabel data di atas, misalnya data penduduk berdasarkan pendapatan kurang dari Rp.5./bulan maka tergolong miskin jika lebih dari Rp.5. maka tidak miskin. Pola perhitungan derajat keanggotaan variabel pendapatan adalah sebagai berikut : Fungsi Keanggotaan Variabel Pengeluaran Pada tahapan akan menggunakan fungsi keanggotaan linier naik untuk kategori BANYAK, fungsi keanggotaan linier turun untuk kategori SEDIKIT, sedangkan untuk SEDANG menggunakan fungsi linier segitiga. Berdasarkan gambar 4.4 dapat dilihat pada tabel data di atas, misalnya data penduduk berdasarkan Pengeluran kurang dari Rp.6./bulan maka tergolong miskin jika lebih dari Rp.6. maka tergolong Sedang, sedangkan jika lebih dari 2 tergolong tidak miskin. Pola perhitungan derajat keanggotaan variabel pengeluarannya adalah sebagai berikut : Fungsi Keanggotaan Variabel Indikator Pada tahapan akan menggunakan fungsi keanggotaan linier naik untuk kategori Sangat kuat, fungsi keanggotaan linier turun untuk kategori Lemah, sedangkan untuk Kurang, Sedang, Kuat menggunakan fungsi linier segitiga. Pada variabel Indikator di mana masing-masing nilai linguistiknya berikan nilai sebagai berikut Lemah, Kurang, Sedang, Kuat, Sangat Kuat. Inference Bedasarkan hasil tabel Klasifikasi data penduduk, maka Pada tahap ini adalah penentuan aturan (rule), Dengan melakukan fuzzy inference, pengetahuan tersebut

11 bisa ditransfer ke perangkat lunak yang selanjutnya memetakan suatu input menjadi output berdasarkan IF THEN rule. Sistem fuzzy yang dihasilkan disebut dengan Fuzzy Inference System (FIS). Adapun contoh dari rule-rule yang diterapkan pada sistem fuzzy sebagi berikut : [R] If [Pekerjaan is WIRASWASTA] and [Pendapatan is CUKUP] and [Pengeluaran is SEDANG] Then [Indikator is SEDANG]. 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 :Maka dari hasil kasus diatas, penulis memberikan beberapa contoh penggunaan rule dalam penentuan kasus, berikut rule yang digunakan : [R] If [Pekerjaan is WIRASWASTA] and [Pendapatan is CUKUP] and [Pengeluaran is SEDANG] Then [Indikator is SEDANG]. αpredikat = Min µwiraswasta(), µcukup(),µsedang() = Min (,, ) = () Wiraswasta Cukup Sedang Sedang,6,4, Aplikasi Fungsi Implikasi Tidak Miskin Rule

12 Defuzzyfikasi Defuzzifikasi adalah suatu himpunan fuzzy yang diperoleh dari komposisi aturan-aturan fuzzy, sedangkan output yang dihasilkan merupakan suatu bilangan pada domain himpunan fuzzy tersebut. Pada tahapan ini penulis menggunakan metode Centroid, berikut hasil dari penerapan metode Centroid. Berikut contoh dari rule yang dipakai untuk menghitung hasil tegas atau defuzzifikasi pada bab ini. [R] If [Pekerjaan is WIRASWASTA] and [Pendapatan is CUKUP] and [Pengeluaran is SEDANG] Then [Indikator is SEDANG]. αpredikat = Min µwiraswasta(), µcukup(),µsedang() = Min (,, ) = () IMPLEMENTASI DAN PENGUJIAN Implementasi Pengujian data penduduk dalam menentukan penduduk miskin dengan metode Mamdani, pada tahap ini dilakukan dengan menggunakan tool yang dapat menyelesaikan penelitian ini menggunakan Matlab 6.. Software ini berfungsi untuk menghitung nilai-nilai dari variabel yang telah ditentukan kedalam bentuk crisp dengan langkah yang berada pada Matlab. Dan nantinya mendapatkan nilai hasil inferensi Fuzzy sebagai nilai indikator berdasarkan data penduduk. Pengujian Sistem Pada tahap ini penulis akan melakukan pengujian terhadap hasil dari analisa data pada tahapan implementasi dan pengujian. Dan diharapkan pada tahap implementasi ini hasil dari analisa tersebut dapat memberikan suatu informasi yang sesuai. Pengujian :

13 [R] If [Pekerjaan is WIRASWASTA] and [Pendapatan is CUKUP] and [Pengeluaran is SEDANG] Then [Indikator is SEDANG]. αpredikat = Min µwiraswasta(), µcukup(),µsedang() = Min (,, ) = () Ini merupakan hasil dari tampilan pengujian manual dengan yang dilakukan pada bab iv dengan menentukan indikator tidak miskin, dimana untuk hasil dari masing-masing himpunan sebagai berikut, wiraswasta (3), cukup () dan sedang (2). Wiraswasta Cukup Sedang Sedang,4,4, Tampilan Aplikasi Fungsi Implikasi Rule Berikut tampilan hasil dari pengujian yang dilakukan di tools matlab yang dihasilkan dari rule, dan berikut hasil rule viewer dengan input [3 2]. Tampilan Hasil Rule Viewer Rule

14 KESIMPULAN DAN SARAN Kesimpulan Berdasarkan hasil analisa dan pengujian untuk menentukan penduduk miskin dengan menggunakan sistem fuzzy ada beberapa kesimpulan yang dapat diambil antara lain :. Dalam analisis penentuan penduduk miskin, dibutuhkan beberapa tahapan antara lain : penentuan fuzzifikasi, inferensi, aplikasi fungsi implikasi dan penegasan atau defuzzifikasi. 2. Dalam proses penentuan penduduk miskin pada Badan Pusat Statistik Kota pagaralam, penulis menggunakan sistem fuzzy dan metode Mamdani. 3. Aplikasi Matlab 6. mampu membantu penulis dalam mengolah dan memproses data yang mengadopsi metode mamdani dalam penentuan penduduk miskin. Saran Penulis menyadari mash banyak kekurangan didalam penulisan karya ilmiah ini, Oleh karena itu berdasarkan pengamatan yang dilakukan, agar penelitian yang akan dilakukan selanjutnya lebih baik lagi maka penulis menyarankan sebagai berikut :. Dengan diterapkannya sistem fuzzy dapat lebih mempermudah dalam proses penentuan penduduk yang tergolong miskin. 2. Sebaiknya dalam penentuan kriteria penduduk miskin diharapkan dapat lebih jelas agar tidak ada kekeliruan dalam penentuan variabel input, sehingga akan lebih jelas dan terarah. 3. Sebaiknya dilakukan pemahaman dalam penggunaan metode yang digunakan dalam proses pengolahan datanya. DAFTAR PUSTAKA Sri Kusumadewi Dan Hari Purnomo, 2. Aplikasi Logika Fuzzy Utnuk Pendukung Keputusan Edisi 2. Penerbit Graha Ilmu. Eng. Agus Naba 29. Belajar Cepat Fuzzy Logic

15 Menggunkan Matlab. Penerbit Andi. Marimin 25. Alokasi Pasokan Berdasarkan Produksi Susu Unggulan Untuk Rantai Pasok Sayuran Segar. Jurnal Teknnik Industri Vol 9 N.2 September 27. Much.Djunaidi, Eko Setiawan, Fajar Whedi Andista, 25. Penentuan Jumlah Produksi Dengab Aplikasi Metode Fuzzy Mamdani. Jurnal Teknnik Industri Vol 4 N.2 Desember 25. Sivarao, Peter Brevern, El-Tayeb, Vengkatesh (2). GUI Based Mamdani Fuzzy Inference System Modeling To Predict Surface Roufhness In Lase Machining. International Journals Of Electrial And Computer Scienses IJECS Vol : 9 No 9. Fajar Solikin, 2. Aplikasi Logika Fuzzy Optimisasi Produksi Barang Menggunakan Metode Mamdani Dan Metode Sugeno. Skripsi 2. T.Sutojo, Et Al, 2. Kecerdasan Buatan. Penerbit ANDI Yogyakarta. Prabowo Pudjo Dan Trias Rahmdya H, 29. Penerapan Soft Computing Dengan Matlab. Penerbit Rekayasa Sains.29. Fauzan Maskur (22). Implementasi Sistem Pakar Diagnosa Penyakit Diabetes Mellitus Menggunakan Metode Fuzzy Logic Berbasis Web. Tesis 22. Matondang, Kusumawati, Abidin, 2. Fuzzy Logic Metode Mamadani Untuk Membantu Diagnosa Dini Autism Soectrum Disorder. Jurnal Teknik Informatika,Sains Teknologi.