PEMODELAN SISTEM FUZZY STATIS SECARA UMUM DAN IDENTIFIKASI KONSTANTA PARAMETER DALAM SISTEM FUZZY STATIS
|
|
- Yohanes Irawan
- 7 tahun lalu
- Tontonan:
Transkripsi
1 PEMODELAN SISTEM FUZZY STATIS SECARA UMUM DAN IDENTIFIKASI KONSTANTA PARAMETER DALAM SISTEM FUZZY STATIS Nadia Ersa Febrina 1, Rahmi Rusin 2 1 Mahasiswa Departemen Matematika, FMIPA UI, Kampus UI Depok Staff Pengajar DepartemenMatematika, FMIPA UI, Kampus UI Depok, nadia.ersa@ui.ac.id, 2 rahmirus@ui.ac.id ABSTRAK Dalam makalah ini dibahas pemodelan sistem fuzzy statis dan proses penetapan konstanta parameternya. Dalam pemodelan sistem fuzzy statis ada lima hal yang harus ditetapkan, variabel input, sub fuzzy, fungsi keanggotaan fuzzy, relasi input-output dan konstanta parameter. Algoritma input-output dalam sistem fuzzy statis diaplikasikan untuk melengkapi proses pemodelan sistem fuzzy statis. Penetapan konstanta parameter, dilakukan sedemikian sehingga eror antara nilai output dari model dan data output yang sebenarnya adalah minimum. Dalam makalah ini, metode yang akan digunakan dalam menetapkan konstanta parameter adalah metode Least-Square. ABSTRACT This paper discusses static fuzzy system modeling and the process of determining its constant parameters. In static fuzzy system modeling, there are five items that must be considered, they are input variables, fuzzy subset, membership function of fuzzy set, input-output relations, and constant parameters. Input-output algorithm in static fuzzy system is applied to complete the static fuzzy system modeling process. Determining constant parameter is done such that the error between output value and real output data is minimum. In this paper, Least-Square method is used to determine the constant parameter. Keywords : Modeling, Static Fuzzy System, Constant Parameter Identification.. 1. PENDAHULUAN Himpunan fuzzy dan logika fuzzy adalah salah satu alternatif yang digunakan dalam pendekatan pemodelan matematika untuk banyak sistem yang kompleks atau informasi ukurannya tidak jelas (vague). Teori fuzzy dan logika fuzzy pertama kali diperkenalkan oleh Zadeh pada tahun 1965 dalam paper-nya yang berjudul Fuzzy Set [9]. Sebelum teori fuzzy dan logika fuzzy diperkenalkan, pada tahun 1960 Zadeh terlebih dahulu mengembangkan pendekatan linguistik dengan informasi linguistik yang vague yang menjadi dasar untuk teori fuzzy dan logika fuzzy tersebut. Pemodelan yang menggunakan fuzzy dan logika fuzzy disebut dengan Pemodelan Sistem Fuzzy. Sistem fuzzy sendiri dapat dikatakan sebagai sistem yang input dan output-nya merupakan fuzzy dan relasi input-output-nya menggunakan logika fuzzy. Berdasarkan, sistem fuzzy dapat diklasifikasi menjadi sistem fuzzy statis dan sistem fuzzy dinamis. Sistem fuzzy statis merupakan sistem yang tidak melibatkan difference atau differential equation dalam pendeskripsian relasi input dan output-nya. Sedangkan untuk sistem fuzzy dinamis melibatkan difference atau differential equation. Dalam makalah ini yang dibahas hanyalah sistem fuzzy statis. Saat memodelkan sistem fuzzy statis, salah satu yang harus diperhatikan adalah algoritma inputoutput-nya. Algoritma input-output pada sistem fuzzy statis ada 3 tahap: menghitung nilai output berdasarkan input yang bersesuaian, menghitung nilai keanggotaan output, dan menghitung nilai output akhir (nilai output sistem secara keseluruhan). Ada lima hal yang harus ditetapkan sebelum menerapkan algoritma input-output dalam pemodelan sistem fuzzy statis yaitu variabel input, sub fuzzy, fungsi keanggotaan, relasi input-output dan konstanta koefisien. Saat penetapan konstanta koefisien atau dikenal dengan proses identifikasi konstanta parameter, yang dilakukan adalah meminimumkan eror antara nilai output dari model dan data output yang sebenarnya dari sistem yang dimodelkan. Dengan kata lain, identifikasi konstanta parameter dilakukan dengan mengestimasi nilai konstanta parameter sedemikian sehingga model sistem mendekati sistem yang sebenarnya. Ada beberapa teknik untuk mengestimasi konstanta parameter, salah satunya adalah menggunakan metode Least-Square. 2. LANDASAN TEORI 2.1 Teori Himpunan Fuzzy
2 Himpunan fuzzy adalah sebuah kumpulan dari elemen-elemen dalam semesta dimana batasan elemen-elemen yang masuk ke dalam fuzzy adalah ambigu, vaque dan tidak jelas. Keanggotaan pada fuzzy berbeda dengan crisp (klasik), pada crisp tidak mengizinkan elemennya mempunyai keanggotaan selain 0 dan 1. Sehingga diperlukan perumuman fungsi karakteristik pada crisp untuk mendeskripsikan fungsi karakteristik fuzzy (fungsi keanggotaan) yang elemennya mempunyai keanggotaan parsial yaitu nilai keanggotaannya merupakan nilai kontinu dengan range [0,1] [13]. Fungsi keanggotaan menggambarkan derajat kepercayaan sebuah elemen masuk ke dalam suatu. Definisi 2.1 (Sub Fuzzy) Misalkan dan misalkan adalah sebuah sub dari semesta., - disebut fungsi keanggotaan yang mewakili derajat kepercayaan masuk ke. Maka sub fuzzy didefinisikan sebagai sebuah dari pasangan berurut {( ) } (2.1) Fungsi keanggotaan untuk fuzzy dinotasikan sebagai. [9] Untuk selanjutnya, kata fuzzy bisa digunakan untuk menyatakan sub fuzzy tanpa mengubah makna. Beberapa konsep dasar dari fuzzy, seperti support, fuzzy normal, -cut dan fuzzy konveks didefinisikan sebagai berikut: Definisi 2.2 (Support) Support dari sebuah fuzzy dalam semesta,, adalah sebuah crisp yang berisikan semua elemen dari yang nilai keanggotaannya tidak nol dalam, yaitu * + (2.2) [13] Definisi 2.3 (Strong -cut dan Weak -cut) Dua sub, dan dari fuzzy yang didefinisikan masing-masing dengan * +, ) (2.3) * + ( - (2.4) disebut strong cut dan weak cut ( -level). Definisi 2.4 (Convexity) Sebuah fuzzy dari semesta adalah konveks jika dan hanya jika setiap α-level * + ( - (2.5) adalah konveks, yakni untuk sembarang dan sembarang, -, ( ) min* + (2.6) Definisi 2.5 (Normal fuzzy set) Misalkan, - adalah fungsi keanggotaan sub fuzzy, maka disebut normal jika (2.7) [9] Extension principle diperkenalkan oleh Zadeh pada tahun 1975 dan merupakan elemen yang penting dalam teori fuzzy. Jika diberikan sebuah pemetaan dari domain ke daerah hasilnya dan di dalam sub domain telah didefinisikan fungsi keanggotaan, maka extension principle menunjukkan bagaimana menentukan fungsi keanggotaan pada sub di kodomain yang merupakan daerah hasilnya [12]. Perhatikan fungsi yang merupakan pemetaan dari crisp ke crisp. Misalkan adalah sub fuzzy dari dengan fungsi keanggotaan. Lebih lanjut dalam yang dihasilkan oleh ditetapkan sebagai fuzzy sehingga perlu didefinisikan fungsi keanggotaannya. Fungsi keanggotaan fuzzy dapat didefinisikan dengan: (2.8) Persamaan (2.8) merupakan ciri dari extension principle dan disebut extended function. Bilangan fuzzy didefinisikan sebagai berikut: Definisi 2.6 (Bilangan Fuzzy) Bilangan fuzzy adalah sebuah fuzzy konveks dan normal dengan weak α-cut nya adalah sebuah interval tutup. [1] Untuk selanjutnya fuzzy yang digunakan merupakan bilangan fuzzy. Karena weak -cut-nya adalah interval tutup maka bilangan fuzzy merupakan dari interval tutup bilangan real sehingga dalam aritmatika bilangan fuzzy dibutuhkan konsep aritmatika interval. Definisi 2.7 Misalkan 0 1 dan 0 1, di mana, adalah interval sub dari bilangan real. Beberapa dasar aritmatika interval didefinisikan sebagai berikut: 1. Penambahan : Pengurangan : Kebalikan : Jika maka Jika maka tidak terdefinisi 4. Perkalian : dengan * +
3 5. Pembagian : * , dengan Untuk aritmatika bilangan fuzzy, berdasarkan extension principle terdapat sebuah aturan umum sebagai berikut: ATURAN UMUM. Misalkan dan adalah sub fuzzy dari semesta, sub dari bilangan real,, dan perhatikan fungsi diperluas dua variabel (two-variable extended function) berikut: Misalkan adalah daerah hasil dari, di mana merupakan sub fuzzy dari dengan fungsi keanggotaannya. Jika diberikan, dengan nilai keanggotaan masingmasing dan, dan maka didefinisikan dengan sup * + sup min* + (2.9) 2.2 Sistem Fuzzy Sistem secara umum mempunyai tiga komponen: input, proses dan output. Sedangkan yang membedakan sistem fuzzy dengan sistem biasa adalah terdapat proses fuzzification dan proses defuzzification. Proses fuzzification digunakan untuk mengubah input yang tidak fuzzy (input crisp) menjadi input fuzzy sehingga bisa diproses didalam sistem fuzzy. Input yang crisp ditransformasi ke dalam bentuk fuzzy (input fuzzy) dengan mendefinisikan fungsi keanggotaan pada input yang crisp tersebut. Sedangkan proses defuzzification digunakan untuk mengubah output yang fuzzy menjadi output crisp. Output-output fuzzy ditransformasi kembali menjadi output yang crisp, dengan cara mengkombinasikan output-output fuzzy kedalam hasil crisp yang tunggal sebagai hasil akhir untuk semua output yang ada (sistem secara keseluruhan). Pada bagian proses dalam sistem fuzzy pada makalah ini berisikan Bentuk Umum Aturan Logika Fuzzy (kumpulan aturan JIKA-MAKA fuzzy). Jadi, sistem fuzzy dapat dikatakan sebagai sebuah sistem yang input-output-nya adalah fuzzy dan bagian proses berisikan dasar aturan logika fuzzy (kumpulan aturan JIKA-MAKA fuzzy). Ada beberapa metode defuzzification di dalam banyak literatur. Menurut [13], disebutkan bahwa metode defuzzification yang terbaik (berdasarkan eror) adalah metode Center-of-Gravity Defuzzification. Misalkan ada aturan JIKA-MAKA fuzzy, maka formula defuzzification menggunakan metode Center-of-Gravity Defuzzification adalah (2.10) di mana adalah output fuzzy pada aturan ke-, dan adalah nilai keanggotaan output fuzzy,. Ada dua tipe aturan sistem fuzzy [10], yaitu: 1. Sistem fuzzy menggunakan aturan Mamdani 2. Sistem fuzzy menggunakan aturan Takagi-Sugeno. Aturan sistem fuzzy yang digunakan dalam pembahasan selanjutnya adalah sistem fuzzy menggunakan aturan Takagi-Sugeno. Sistem fuzzy secara lengkap dapat dilihat dalam Gambar 2.1. Dasar Aturan (Logika) Fuzzy x elemen dari crisp U fuzzification x elemen dari Fuzzy X Koleksi Aturan JIKA-MAKA Fuzzy y elemen dari Fuzzy Y defuzzification y elemen dari crisp V Gambar 2.1 Skema Sistem Fuzzy yang Lengkap
4 2.3 Metode Least-Square Misalkan terdapat sistem persamaan linear (2.11) Persamaan (2.5) dapat dituliskan kembali dalam bentuk persamaan matriks berikut: (2.12) Dengan adalah sebuah matriks input dan [ ], (2.13) adalah vektor parameter adalah vektor output yang tidak diketahui [ ], (2.14) [ ], (2.15) Untuk mengidentifikasi keunikan vektor yang tidak diketahui, diperlukan syarat. Jika matriks persegi dan nonsingular, maka nilai untuk persamaan (2.6) adalah (2.16) Solusi eksak yang memenuhi persamaan (2.12) tidak selalu mungkin didapat, karena mungkin saja data input-output yang diberikan mengandung noise. Sehingga bentuk persamaan dengan erornya akan dituliskan kembali menjadi. Karena akan diestimasi nilai dengan eror seminimal mungkin maka jumlah kuadrat eror dengan memisalkan adalah vektor baris dari matriks dan, didefinisikan sebagai berikut: (2.16) di mana. Teorema berikut menyatakan sebuah kondisi perlu yang memenuhi least-square estimator Teorema 2.1: (Estimasi Least-Squares) Kuadrat eror dalam persamaan (2.16) diminimumkan ketika, disebut least-squares estimator (LSE), di mana memenuhi persamaan normal (2.17) Jika nonsingular, adalah unik dan diberikan dengan (2.18) [8] Bukti: Dalam estimasi nilai dengan metode Least- Squares untuk persamaan, dapat dilakukan dengan melihat turunan terhadap akan sama dengan nol. Maka turunan dari adalah (2.19) (2.20) Dengan di maka didapatkan (2.21) Jadi nonsingular maka nilai optimal yang diberikan melalui metode least-squares adalah (2.22) [7] Teorema di atas berlaku untuk nonsingular. Apabila singular maka LSE tidak unik dan harus menggunakan konsep generalized inverse untuk menemukan. 3. PEMBAHASAN 3.1 Pemodelan Sistem Fuzzy Statis Dalam proses pemodelan sistem fuzzy statis ada lima hal yang harus di tetapkan: 1. : variabel input, digunakan sebagai premis dari implikasi logika fuzzy. 2. : interval variabel input, yang merupakan fuzzy. 3. : fungsi keanggotaan dari fuzzy. 4. : relasi, digunakan untuk mendeskripsikan tingkah laku input dan output. 5. : konstanta parameter dari model, digunakan untuk model matematika secara keseluruhan. Setelah kelima hal di atas telah ditetapkan, proses pemodelan sistem fuzzy statis dikatakan lengkap (selesai) apabila telah diaplikasikan algoritma input-output sistem fuzzy statis. 3.2 Algoritma Relasi Input-Output pada Sistem Fuzzy Statis Algoritma input-output sistem fuzzy mempunyai tiga tahap, yaitu 1. Mencari nilai output yang bersesuaian dengan nilai input. 2. Menetapkan nilai keanggotaan output. Dalam makalah ini nilai keanggotaan output didapatkan berdasarkan Aturan Umum { (3.1) } 3. Selanjutnya mencari nilai akhir sistem fuzzy, didapatkan dengan proses defuzzification. Metode
5 defuzzification yang digunakan adalah Center-of- Gravity Defuzzification: (3.2) 3.3 Identifikasi Konstanta Parameter dalam Pemodelan Sistem Fuzzy Statis Dalam tahap pemodelan, setelah relasi inputoutput telah ditetapkan, maka selanjutnya yang ditetapkan adalah konstanta koefisiennya. Sehingga yang dibahas selanjutnya adalah masalah penetapan konstanta koefisien atau dikenal dengan identifikasi konstanta parameter. Penetapan konstanta koefisien penting karena digunakan untuk model sistem secara keseluruhan. Salah satu metode mengidentifikasi konstanta parameter yang sering digunakan adalah metode Least-Squares. Berikut akan dilihat bagaimana metode Least-Squares ini digunakan untuk mengidentifikasi parameter dalam pemodelan sistem fuzzy statis dengan relasi input-output-nya berbentuk linear : Anggap terdapat aturan-aturan JIKA-MAKA fuzzy sebanyak : : JIKA DAN... DAN MAKA, : JIKA di DAN... DAN di (3.3) MAKA. Untuk setiap, semua fuzzy merupakan fuzzy yang sama, dan. Jadi output akhir untuk input yang diberikan berdasarkan algoritma input-output sistem fuzzy statis yang dijelaskan sebelumnya adalah sebagai berikut: (3.4) di mana (3.5) Maka persamaan output akhir dapat ditulis kembali menjadi (3.6), - [ ] (3.7) Misalkan terdapat data input dan output sebanyak sebagai berikut: Dengan memasukkan input pertama sampai input ke- M kedalam persamaan output akhir (3.7), maka didapat persamaan output dari setiap data,, sebagai berikut:, -, -, - (3.8) Maka persamaan output akhir (3.8) dapat ditulis kembali dengan [ ] [ ] (3.9) Persamaan matriks (3.9) dapat dituliskan dalam matriks (3.10) di mana ( ) [ ], - ( ), (3.12), - (3.13). / (3.14) Dalam mengestimasi nilai maka biasanya lebih besar sama dengan ( ), atau dengan kata lain, jumlah data input-output lebih banyak dari pada jumlah parameter yang akan diestimasi. Metode Least-Squares standar dapat digunakan dalam mengestimasi nilai pada pemodelan sistem fuzzy, karena entri-entri dalam matrik dan merupakan skalar (bilangan real). Karena identifikasi konstanta
6 parameter menggunakan metode Least-Square dengan membuat eror yang seminimal mungkin, maka dapat dikatakan nilai yang didapat dari metode Least- Square akan membuat model dari sistem mendekati sistem yang sebenarnya. Dengan kata lain, model sistem yang didapat menggunakan metode Least- Square akan optimal. 4. KESIMPULAN Dalam membuat model matematika untuk sistem fuzzy statis ada lima hal yang harus ditetapkan variabel input, sub fuzzy, fungsi keanggotaan fuzzy, relasi input-output dan konstanta parameter. Setelah kelima hal tersebut telah ditetapkan, proses pemodelan sistem fuzzy statis dikatakan lengkap (selesai) apabila telah diaplikasikan algoritma input-output yaitu: 1. menghitung nilai output berdasarkan input yang bersesuaian, 2. menetapkan nilai keanggotaan output, salah satunya dengan menggunakan Aturan Umum dan 3. menetapkan nilai output akhir (nilai output sistem secara keseluruhan) melalui proses defuzzification, salah satunya adalah dengan menggunakan metode Center-of-Gravity Defuzzification. Salah satu metode untuk menetapkan konstanta koefisien (identifikasi konstanta parameter) pada sistem fuzzy statis dengan relasi input-outputnya berbentuk linear adalah metode Least-Square. Sebelum mengidentifikasi konstanta parameter saat memodelkan sistem fuzzy statis, terlebih dahulu dilakukan pembentukan matriks dan sedemikian sehingga entri di setiap matriksnya adalah skalar. Karena entri matriks dan adalah skalar, metode Least-Square yang digunakan adalah metode Least- Square biasa. Karena error yang dihasilkan dengan metode Least-Square minimal, maka model sistem tersebut mendekati sistem yang sebenarnya. UCAPAN TERIMA KASIH Alhamdulillahi rabbil aalamin, puji dan syukur ke hadirat Allah SWT atas segala rahmat dan karunia- Nya sehingga penulis dapat menyelesaikan paper ini. Penulis ingin mengucapkan terima kasih kepada Departemen Matematika yang telah memfasilitasi penulis dalam menyelesaikan paper ini. DAFTAR PUSTAKA [1] Bojadziev, G. & Bojadziev, M. (2007). Fuzzy Logic for Business, Finances and Management. Singapore: World Scientific. [2] Burden, R.L & Faire, J.D. (2001). Numerical Analysis. United Statet of America: Books/Cole. Chen, G. & Pham, T.T. (2001). Introduction to Fuzzy Set, Fuzzy Logic and Fuzzy Control System. United State of America: CRC Press. [4] Dubois, D. & Prade, H. (1980). Fuzzy Set and System: Theory and Applications. Academic Press. [5] Gao, S., Zhang, Z. & Cao, C. (2009). Multiplication Operation of Fuzzy Number. Jurnal of Software, 4,4. [6] Strang, G (2006). Linear Algebra and Its Applications. (4th ed.) : Thomson-Books/Cole [7] Jamshidi, M. (2003). Tools for Intelligent Control: Fuzzy Controller, Neural Networks and Genetic Algoritms. The Royal Society, 361, [8] Jang, J.S.R., Sun, C.T. & Mizutani, E. (1997). Neuro-Fuzzy and Soft Computing (A Computational Approch to Learning and Machine Intelligence. United State of America: Prentice-Hall International. [9] Leondes, C.T.(Ed.). (1998). Neural Network System Techniques and Applications: Fuzzy Logic and Expert Systems Applications (Vols 6). United State of America: Academic Press. [10] Nanayakkara, T., Sahin, F. & Jamshidi, M. (2010). Intelligent Control System with an Introduction to System of System Engineering. United State of America: CRC Press. [11] Reznik, L. (1997). Fuzzy Controller : Newness. [12] Passino, K.M. & Yurkovich, S. (1998). Fuzzy Control. California: Addison-Wesley Longman. [13] Wang, L.X. (1997). A Course in Fuzzy Systems and Control : Printice-Hall International
BAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Bab landasan teori bertujuan untuk memberikan penjelasan mengenai metode atau pun teori yang digunakan dalam laporan tugas akhir ini, sehingga dapat membangun pemahaman yang sama antara
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 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 terperinciFuzzy Logic. Untuk merepresentasikan masalah yang mengandung ketidakpastian ke dalam suatu bahasa formal yang dipahami komputer digunakan fuzzy logic.
Fuzzy Systems Fuzzy Logic Untuk merepresentasikan masalah yang mengandung ketidakpastian ke dalam suatu bahasa formal yang dipahami komputer digunakan fuzzy logic. Masalah: Pemberian beasiswa Misalkan
Lebih terperinciPROGRAM LINIER FUZZY PENUH DENGAN ALGORITMA MULTI OBJECTIVE LINEAR PROGRAMMING. Jl. Prof. H. Soedarto, S.H. Tembalang Semarang
PROGRAM LINIER FUZZY PENUH DENGAN ALGORITMA MULTI OBJECTIVE LINEAR PROGRAMMING Mohamad Ervan S 1, Bambang Irawanto 2, Sunarsih 1,2,3 Jurusan Matematika FSM Universitas Diponegoro Jl. Prof. H. Soedarto,
Lebih terperinciJURNAL GAUSSIAN, Volume 1, Nomor 1, Tahun 2012, Halaman Online di:
JURNAL GAUSSIAN, Volume 1, Nomor 1, Tahun 2012, Halaman 31-40 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian ANALISIS DATA RUNTUN WAKTU DENGAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM
Lebih terperinciPERBANDINGAN PRODUKSI KOPI OPTIMUM ANTARA METODE F UZZY MAMDANI DENGAN F UZZY SUGENO PADA PT XYZ. Rianto Samosir, Iryanto, Rosman Siregar
Saintia Matematika Vol. 1, No. 6 (2013), pp. 517-527. PERBANDINGAN PRODUKSI KOPI OPTIMUM ANTARA METODE F UZZY MAMDANI DENGAN F UZZY SUGENO PADA PT XYZ Rianto Samosir, Iryanto, Rosman Siregar Abstrak: Logika
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 terperinciPROGRAM LINIER FUZZY PENUH DENGAN METODE KUMAR. Jl. Prof. H. Soedarto, S.H. Tembalang Semarang
PROGRAM LINIER FUZZY PENUH DENGAN METODE KUMAR Shintia Devi Wahyudy 1, Bambang Irawanto 2, 1,2 Jurusan Matematika FSM Universitas Diponegoro Jl Prof H Soedarto, SH Tembalang Semarang 1 Shintiadevi15@gmailcom,
Lebih terperinciKOEFISIEN DETERMINASI REGRESI FUZZY SIMETRIS UNTUK PEMILIHAN MODEL TERBAIK. Iqbal Kharisudin. Jurusan Matematika FMIPA Universitas Negeri Semarang
KOEFISIEN DETERMINASI REGRESI FUZZY SIMETRIS UNTUK PEMILIHAN MODEL TERBAIK S-33 Iqbal Kharisudin Jurusan Matematika FMIPA Universitas Negeri Semarang Email: iqbal_kh@staff.unnes.ac.id Abstrak: Dalam analisis
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Beras merupakan salah satu kebutuhan pokok manusia yang sangat penting dalam kelangsungan hidupnya. Untuk memenuhi kebutuhan beras, setiap manusia mempunyai cara-cara
Lebih terperinciBAB II: TINJAUAN PUSTAKA
BAB II: TINJAUAN PUSTAKA Bab ini akan memberikan penjelasan awal mengenai konsep logika fuzzy beserta pengenalan sistem inferensi fuzzy secara umum. 2.1 LOGIKA FUZZY Konsep mengenai logika fuzzy diawali
Lebih terperinciBAB 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 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 terperinciPENYELESAIAN SISTEM PERSAMAAN LINEAR FUZZY KOMPLEKS MENGGUNAKAN METODE DEKOMPOSISI DOOLITTLE
Jurnal Sains, Teknologi Industri, Vol. 11, No. 2, Juni 2014, pp. 166-174 ISSN 1693-2390 print/issn 2407-0939 online PENYELESAIAN SISTEM PERSAMAAN LINEAR FUZZY KOMPLEKS MENGGUNAKAN METODE DEKOMPOSISI DOOLITTLE
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 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 II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Logika Fuzzy Logika fuzzy merupakan suatu metode pengambilan keputusan berbasis aturan yang digunakan untuk memecahkan keabu-abuan masalah pada sistem yang sulit dimodelkan
Lebih terperinciBAB 2 2. LANDASAN TEORI
BAB 2 2. LANDASAN TEORI Bab ini akan menjelaskan mengenai logika fuzzy yang digunakan, himpunan fuzzy, penalaran fuzzy dengan metode Sugeno, dan stereo vision. 2.1 Logika Fuzzy Logika fuzzy adalah suatu
Lebih terperinciSTUDI TENTANG PERSAMAAN FUZZY
STUDI TENTANG PERSAMAAN FUZZY Elva Ravita Sari Evawati Alisah Jurusan Matematika Fakultas Sains Teknologi Universitas Islam Negeri Maulana Malik Ibrahim Malang e-mail: mbemvie@gmail.com ABSTRAK Bilangan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Himpunan Fuzzy Tidak semua himpunan yang dijumpai dalam kehidupan sehari-hari terdefinisi secara jelas, misalnya himpunan orang miskin, himpunan orang pandai, himpunan orang tinggi,
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 terperinciBab 1 PENDAHULUAN. 1.1 Latar Belakang
Bab 1 PENDAHULUAN 1.1 Latar Belakang Teori himpunan fuzzy banyak diterapkan dalam berbagai disiplin ilmu seperti teori kontrol dan manajemen sains, pemodelan matematika dan berbagai aplikasi dalam bidang
Lebih terperinciPenerapan Metode Fuzzy Mamdani Pada Rem Otomatis Mobil Cerdas
Penerapan Metode Fuzzy Mamdani Pada Rem Otomatis Mobil Cerdas Zulfikar Sembiring Jurusan Teknik Informatika, Fakultas Teknik, Universitas Medan Area zoelsembiring@gmail.com Abstrak Logika Fuzzy telah banyak
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Bab II ini menjelaskan tentang teori-teori pendukung yang digunakan untuk pembahasan selanjutnya yaitu sistem persamaan linear sistem persamaan linear kompleks dekomposisi Doolittle
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 terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Himpunan Himpunan adalah suatu kumpulan atau koleksi objek-objek yang mempunyai kesamaan sifat tertentu. Objek ini disebut elemen-elemen atau anggota-anggota dari himpunan (Frans
Lebih 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 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 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 terperinciImplementasi Adaptive Neuro-Fuzzy Inference System (Anfis) untuk Peramalan Pemakaian Air di Perusahaan Daerah Air Minum Tirta Moedal Semarang
Scientific Journal of Informatics Vol. 3, No. 1, Mei 2016 p-issn 2407-7658 http://journal.unnes.ac.id/nju/index.php/sji e-issn 2460-0040 Implementasi Adaptive Neuro-Fuzzy Inference System (Anfis) untuk
Lebih terperinciPENENTUAN TINGKAT PELUNASAN PEMBAYARAN KREDIT PEMILIKAN MOBIL DI PT AUTO 2000 MENGGUNAKAN FUZZY MAMDANI
PENENTUAN TINGKAT PELUNASAN PEMBAYARAN KREDIT PEMILIKAN MOBIL DI PT AUTO 2000 MENGGUNAKAN FUZZY MAMDANI Hilda Lutfiah, Amar Sumarsa 2, dan Sri Setyaningsih 2. Program Studi Matematika Fakultas Matematika
Lebih terperinciBAB 1 PENDAHULUAN. Logika fuzzy memberikan solusi praktis dan ekonomis untuk mengendalikan
BAB 1 PENDAHULUAN 1.1. Latar Belakang Logika fuzzy memberikan solusi praktis dan ekonomis untuk mengendalikan sistem yang kompleks. Logika fuzzy memberikan rangka kerja yang kuat dalam memecahkan masalah
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 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 terperinciOleh : Rahanimi Pembimbing : Dr. M Isa Irawan, M.T
PERAMALAN JUMLAH MAHASISWA PENDAFTAR PMDK JURUSAN MATEMATIKA MENGGUNAKAN METODE AUTOMATIC CLUSTERING DAN RELASI LOGIKA FUZZY (STUDI KASUS di INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA) Oleh : Rahanimi
Lebih terperinciEVALUASI KEMAJUAN STUDI MAHASISWA DENGAN PENDEKATAN BASIS DATA FUZZY
EVALUASI KEMAJUAN STUDI MAHASISWA DENGAN PENDEKATAN BASIS DATA FUZZY Hari Murti 1, Eko Nur Wahyudi 2 1,2 Program Studi Sistem Informasi, Fakultas Teknologi Informasi, Universitas Stikubank e-mail: 1 hmurti076@gmail.com,
Lebih terperinciMETODE ITERASI KSOR UNTUK MENYELESAIKAN SISTEM PERSAMAAN LINEAR ABSTRACT
METODE ITERASI KSOR UNTUK MENYELESAIKAN SISTEM PERSAMAAN LINEAR Adek Putri Syafriani, Syamsudhuha 2, Zulkarnain 2 Mahasiswa Program Studi S Matematika 2 Dosen Jurusan Matematika Fakultas Matematika dan
Lebih terperinciPEMILIHAN SUPPLIER DENGAN PENDEKATAN POSSIBILITY FUZZY MULTI-OBJECTIVE PROGRAMMING
PEMILIHAN SUPPLIER DENGAN PENDEKATAN POSSIBILITY FUZZY MULTI-OBJECTIVE PROGRAMMING Oleh : Heny Nurhidayanti 1206 100 059 Dosen Pembimbing : Drs. Sulistiyo, MT Jurusan Matematika Fakultas Matematika dan
Lebih terperinciKENDALI LOGIKA FUZZY PADA PENGATURAN LAMPU LALU LINTAS BERDASARKAN URGENCY DAN STOP DEGREE
KENDALI LOGIKA FUZZY PADA PENGATURAN LAMPU LALU LINTAS BERDASARKAN URGENCY DAN STOP DEGREE Fitria Suryatini Program Studi Teknik Elektro Fakultas Teknik Universitas Islam 45 (UNISMA) E-mail: fitriasuryatini88@gmail.com
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 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 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 terperinciMetode Fuzzy. Analisis Keputusan TIP FTP UB
Metode Fuzzy Analisis Keputusan TIP FTP UB Pokok Bahasan Pendahuluan Logika Klasik dan Proposisi Himpunan Fuzzy Logika Fuzzy Operasi Fuzzy Contoh Pendahuluan Penggunaan istilah samar yang bersifat kualitatif
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 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 terperinciBAB II LANDASAN TEORI. yang biasanya dinyatakan dalam bentuk sebagai berikut: =
BAB II LANDASAN TEORI 2.1 Matriks Definisi 2.1 (Lipschutz, 2006): Matriks adalah susunan segiempat dari skalarskalar yang biasanya dinyatakan dalam bentuk sebagai berikut: Setiap skalar yang terdapat dalam
Lebih terperinciKode/SKS : TEL 212/2 Prasyarat : -
Nama MatakuIiah : Teknik Neuro Fuzzy Kode/SKS : TEL 212/2 Prasyarat : - Status Mata Kuliah : Wajib Umum Deskripsi Singkat Mata Kuliah : Mata kuliah Teknik Neuro Fuzzy mempelajari penerapan kecerdasan dan
Lebih terperinciRegresi Linier Berganda untuk Penentuan Nilai Konstanta pada Fungsi Konsekuen di Logika Fuzzy Takagi-Sugeno
Regresi Linier Berganda untuk Penentuan Nilai Konstanta pada Fungsi Konsekuen di Logika Fuzzy Takagi-Sugeno Zaenal Abidin (23515015) Program Studi Magister Informatika Sekolah Teknik Elektro dan Informatika
Lebih terperinciMETODE SIMPLEKS FUZZY UNTUK PERMASALAHAN PEMROGRAMAN LINEAR DENGAN VARIABEL TRAPEZOIDAL FUZZY
Buletin Ilmiah Mat. Stat. dan Terapannya (Bimaster) Volume 01 No. 1 (2012) hal 23 30. METODE SIMPLEKS FUZZY UNTUK PERMASALAHAN PEMROGRAMAN LINEAR DENGAN VARIABEL TRAPEZOIDAL FUZZY Anastasia Tri Afriani
Lebih terperinciMODEL MATEMATIKA MASALAH ALIRAN MAKSIMUM KABUR DENGAN PROGRAM LINEAR KABUR
MODEL MATEMATIKA MASALAH ALIRAN MAKSIMUM KABUR DENGAN PROGRAM LINEAR KABUR Isnaini Rosyida Jurusan Matematika Universitas Negeri Semarang isnainimat@staff.unnes.ac.id Abstrak Masalah aliran maksimum pada
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 4 BAB 2 TINJAUAN PUSTAKA 2.1. Pengertian Fuzzy Logika fuzzy adalah suatu cara yang tepat untuk memetakan suatu ruang input kedalam suatu ruang output. Titik awal dari konsep modern
Lebih terperinciMENENTUKAN PERPANGKATAN MATRIKS TANPA MENGGUNAKAN EIGENVALUE
MENENTUKAN PERPANGKATAN MATRIKS TANPA MENGGUNAKAN EIGENVALUE Rini Pratiwi 1*, Rolan Pane 2, Asli Sirait 2 1 Mahasiswa Program Studi S1 Matematika 2 Dosen Jurusan Matematika Fakultas Matematika dan Ilmu
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Perkembangan perekonomian yang terjadi saat ini menjadikan persaingan bisnis semakin kompetitif, konsumen semakin kritis dalam memilih produk berkualitas tinggi sehingga
Lebih terperinciFUZZY MAMDANI DALAM MENENTUKAN TINGKAT KEBERHASILAN DOSEN MENGAJAR
Seminar Nasional Informatika 23 (semnasif 23) ISSN: 979-2328 UPN Veteran Yogyakarta, 8 Mei 23 FUZZY MAMDANI DALAM MENENTUKAN TINGKAT KEBERHASILAN DOSEN MENGAJAR Sundari Retno Andani ) ) AMIK Tunas Bangsa
Lebih terperinciBAB II 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 terperinciPENDUGAAN FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN TREN FUNGSI PANGKAT MENGGUNAKAN METODE TIPE KERNEL
PENDUGAAN FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN TREN FUNGSI PANGKAT MENGGUNAKAN METODE TIPE KERNEL Ro fah Nur Rachmawati Jurusan Matematika, Fakultas Sains dan Teknologi, Binus University Jl.
Lebih terperinciAPLIKASI PENGAMBILAN KEPUTUSAN DENGAN METODE TSUKAMOTO PADA PENENTUAN TINGKAT KEPUASAN PELANGGAN (STUDI KASUS DI TOKO KENCANA KEDIRI)
APLIKASI PENGAMBILAN KEPUTUSAN DENGAN METODE TSUKAMOTO PADA PENENTUAN TINGKAT KEPUASAN PELANGGAN (STUDI KASUS DI TOKO KENCANA KEDIRI) 1Venny Riana Agustin, 2 Wahyu H. Irawan 1 Jurusan Matematika, Universitas
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 HIMPUNAN CRIPS Himpunan adalah suatu kumpulan objek-objek yang mempunyai kesamaan sifat tertentu. Suatu himpunan harus terdefinisi secara tegas, artinya untuk setiap objek selalu
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 terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Konsep program linier (linear programming) ditemukan dan diperkenalkan seorang ahli matematika bangsa Amerika, Dr.George Dantzig yaitu dengan dikembangkannya metode
Lebih terperinciSTABILISASI SISTEM DESKRIPTOR DISKRIT LINIER POSITIF
Jurnal Matematika UNAND Vol. VI No. 1 Hal. 83 89 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND STABILISASI SISTEM DESKRIPTOR DISKRIT LINIER POSITIF LILI ANDRIANI Program Studi Magister Matematika,
Lebih terperinciMETODE ITERASI BARU BERTIPE SECANT DENGAN KEKONVERGENAN SUPER-LINEAR. Rino Martino 1 ABSTRACT
METODE ITERASI BARU BERTIPE SECANT DENGAN KEKONVERGENAN SUPER-LINEAR Rino Martino 1 1 Mahasiswa Program Studi S1 Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Riau Kampus Binawidya
Lebih terperinciLOGIKA FUZZY 3/18/2017 OVERVIEW SEJARAH LOGIKA FUZZY WHAT IS FUZZY LOGIC? LOGIKA BOLEAN PERMASALAHAN DUNIA NYATA
OVERVIEW Pengertian Logika Fuzzy LOGIKA FUZZY SHINTA P. SARI Sejarah Logika Fuzzy Teori Logika Fuzzy Aplikasi Logika Fuzzy PRODI. INFORMATIKA FASILKOM UIGM 2017 WHAT IS FUZZY LOGIC? Pengertian Fuzzy not
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 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 terperinciMEMBANGUN TOOLBOX ALGORITMA EVOLUSI FUZZY UNTUK MATLAB
MEMBANGUN TOOLBOX ALGORITMA EVOLUSI FUZZY UNTUK MATLAB Syafiul Muzid 1, Sri Kusumadewi 2 1 Sekolah Pascasarjana Magister Ilmu Komputer, Universitas Gadjah Mada, Yogyakarta e-mail: aakzid@yahoo.com 2 Jurusan
Lebih terperinciBAB 2 LANDASAN TEORI. fuzzy logic dengan aplikasi neuro computing. Masing-masing memiliki cara dan proses
8 BAB 2 LANDASAN TEORI 2.1 Teori Neuro Fuzzy Neuro-fuzzy sebenarnya merupakan penggabungan dari dua studi utama yaitu fuzzy logic dengan aplikasi neuro computing. Masing-masing memiliki cara dan proses
Lebih terperinciSOLUSI POSITIF DARI PERSAMAAN LEONTIEF DISKRIT
Jurnal Matematika UNAND Vol. 2 No. 3 Hal. 103 108 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND SOLUSI POSITIF DARI PERSAMAAN LEONTIEF DISKRIT RASITA ANAS Program Studi Matematika, Fakultas Matematika
Lebih terperinciSIMULASI PENGENDALIAN KECEPATAN MOBIL OTOMATIS MENGGUNAKAN LOGIKA FUZZY DAN ALGORITMA GENETIKA
SIMULASI PENGENDALIAN KECEPATAN MOBIL OTOMATIS MENGGUNAKAN LOGIKA FUZZY DAN ALGORITMA GENETIKA Helmy Thendean, M.Kom 1) Albert, S.Kom 2) Dra.Chairisni Lubis, M.Kom 3) 1) Program Studi Teknik Informatika,Universitas
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 terperinciPEMILIHAN KOEFISIEN TERBAIK KUADRATUR KUADRAT TERKECIL DUA TITIK DAN TIGA TITIK. Nurul Ain Farhana 1, Imran M. 2 ABSTRACT
PEMILIHAN KOEFISIEN TERBAIK KUADRATUR KUADRAT TERKECIL DUA TITIK DAN TIGA TITIK Nurul Ain Farhana, Imran M Mahasiswa Program Studi S Matematika Dosen Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan
Lebih terperinci1. PENDAHULUAN 2. METODE PENELITIAN 3. HASIL DAN PEMBAHASAN. Abstrak
Kajian mengenai Konstruksi Aljabar Simetris Kiri Menggunakan Fungsi Linier Sofwah Ahmad Departemen Matematika FMIPA UI Kampus UI Depok 16424 sofwahahmad@sciuiacid Abstrak Aljabar merupakan suatu ruang
Lebih terperinciBAB II KAJIAN TEORI. Berikut diberikan landasan teori mengenai teori himpunan fuzzy, program
BAB II KAJIAN TEORI Berikut diberikan landasan teori mengenai teori himpunan fuzzy, program linear, metode simpleks, dan program linear fuzzy untuk membahas penyelesaian masalah menggunakan metode fuzzy
Lebih terperinciKriteria Struktur Aljabar Modul Noetherian dan Gelanggang Noetherian
Kriteria Struktur Aljabar Modul Noetherian dan Gelanggang Noetherian Rio Yohanes 1, Nora Hariadi 2, Kiki Ariyanti Sugeng 3 Departemen Matematika, FMIPA UI, Kampus UI Depok, 16424, Indonesia rio.yohanes@sci.ui.ac.id,
Lebih terperinciVolume 9 Nomor 2 Desember 2015
Volume 9 Nomor 2 Desember 2015 Jurnal Ilmu Matematika dan Terapan Desember 2015 Volume 9 Nomor 2 Hal. 121 134 PENERAPAN LOGIKA FUZZY METODE SUGENO UNTUK MENENTUKAN JUMLAH PRODUKSI ROTI BERDASARKAN DATA
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 terperinciModel Hibrida ARIMA dan Fuzzy Time Series Markov Chain
SEMINAR MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2017 Model Hibrida ARIMA dan Fuzzy Time Series Markov Chain Dennis Frisca Ayudya, Dewi Retno Sari Saputro Program Studi Matematika Universitas Sebelas Maret
Lebih terperinciSifat-sifat Fungsi Keanggotaan, Fuzzifikasi, Defuzzifikasi. Logika Fuzzy
Sifat-sifat Fungsi Keanggotaan, Fuzzifikasi, Defuzzifikasi Logika Fuzzy 1 Fitur Fungsi Keanggotaan Fungsi keanggotaan himpunan fuzzy: Core (inti) Support (pendukung) Boundary (batas) 2 (a) (b) Himp. Fuzzy
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Pada bab II ini dibahas teori-teori pendukung yang digunakan untuk pembahasan selanjutnya yaitu tentang Persamaan Nonlinier, Metode Newton, Aturan Trapesium, Rata-rata Aritmatik dan
Lebih terperinciPENDEKATAN VALUE BILANGAN TRAPEZOIDAL FUZZY DALAM METODE MAGNITUDE
PENDEKATAN VALUE BILANGAN TRAPEZOIDAL FUZZY DALAM METODE MAGNITUDE Lathifatul Aulia 1, Bambang Irawanto 2, Bayu Surarso 3 1,2,3 Departemen Matematika FSM Universitas Diponegoro Jl Prof H Soedarto, SH Tembalang
Lebih terperinciPERBANDINGAN METODE PEMULUSAN EKSPONENSIAL TUNGGAL DAN FUZZY TIME SERIES UNTUK MEMPREDIKSI INDEKS HARGA SAHAM GABUNGAN
PERBANDINGAN METODE PEMULUSAN EKSPONENSIAL TUNGGAL DAN FUZZY TIME SERIES UNTUK MEMPREDIKSI INDEKS HARGA SAHAM GABUNGAN SKRIPSI Oleh : TAUFAN FAHMI J2E008056 JURUSAN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA
Lebih terperinciKONTRAK PEMBELAJARAN (KP) MATA KULIAH
KONTRAK PEMBELAJARAN (KP) MATA KULIAH Kode MK: TSK-710 Program Studi Sistem Komputer Fakultas Teknik Universitas Diponegoro Pengajar : Eko Didik Widianto, ST, MT Semester : 7 KONTRAK PEMBELAJARAN Nama
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN GURU TELADAN MENGGUNAKAN METODE FUZZY MAMDANI ABSTRAK
SISTEM PENDUKUNG KEPUTUSAN GURU TELADAN MENGGUNAKAN METODE FUZZY MAMDANI (STUDI KASUS PROGRAM STUDI TEKNIK INFORMATIKA-S1 UDINUS) Wisnu Joyo Anggita Teknik Informatika Universitas Dian Nuswantoro Semarang
Lebih terperinciDAFTAR ISI LEMBAR JUDUL... LEMBAR PERSEMBAHAN... LEMBAR PERNYATAAN... LEMBAR PENGESAHAN TUGAS AKHIR... ABSTRAK... ABSTRACT... KATA PENGANTAR...
DAFTAR ISI Halaman LEMBAR JUDUL... LEMBAR PERSEMBAHAN... LEMBAR PERNYATAAN... LEMBAR PENGESAHAN TUGAS AKHIR... ABSTRAK... ABSTRACT... KATA PENGANTAR... BIODATA ALUMNI... DAFTAR ISI... DAFTAR TABEL... DAFTAR
Lebih terperinciBAB V KESIMPULAN DAN SARAN
BAB V KESIMPULAN DAN SARAN V.1 Kesimpulan Setelah dilakukan perancangan sistem evaluasi mutu berbasis komputer (logika fuzzy, pengolahan citra dan JST), maka dapat disimpulkan bahwa : 1. Program logika
Lebih terperinciMASALAH NILAI AWAL ITERASI NEWTON RAPHSON UNTUK ESTIMASI PARAMETER MODEL REGRESI LOGISTIK ORDINAL TERBOBOTI GEOGRAFIS (RLOTG)
MASALAH NILAI AWAL ITERASI NEWTON RAPHSON UNTUK ESTIMASI PARAMETER MODEL REGRESI LOGISTIK ORDINAL TERBOBOTI GEOGRAFIS (RLOTG) Shaifudin Zuhdi, Dewi Retno Sari Saputro Fakultas Matematika dan Ilmu Pengetahuan
Lebih terperinciBENTUK FUNGSI KEANGGOTAAN PADA MODEL REGRESI DENGAN VARIABEL DEPENDEN FUZZY SIMETRIS
Seminar Nasional Statistika IX Institut Teknologi Sepuluh Nopember, 7 November 2009 BENTUK FUNGSI KEANGGOTAAN PADA MODEL REGRESI DENGAN VARIABEL DEPENDEN FUZZY SIMETRIS Iqbal Kharisudin Jurusan Matematika
Lebih terperinciBAB II KAJIAN TEORI. masalah fuzzy linear programming untuk optimasi hasil produksi pada bab
BAB II KAJIAN TEORI Berikut diberikan landasan teori mengenai program linear, konsep himpunan fuzzy, program linear fuzzy dan metode Mehar untuk membahas penyelesaian masalah fuzzy linear programming untuk
Lebih terperinciPENYELESAIAN SISTEM PERSAMAAN LINEAR FUZZY KOMPLEKS MENGGUNAKAN METODE DEKOMPOSISI QR TUGAS AKHIR
PENYELESAIAN SISTEM PERSAMAAN LINEAR FUZZY KOMPLEKS MENGGUNAKAN METODE DEKOMPOSISI QR TUGAS AKHIR Diajukan sebagai Salah Satu Syarat untuk Memperoleh Gelar Sarjana Sains pada Jurusan Matematika Oleh :
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 terperinciPenerapan Logika Samar dalam Peramalan Data Runtun Waktu
Penerapan Logika Samar dalam Peramalan Data Runtun Waktu Seng Hansun Program Studi Teknik Informatika, Universitas Multimedia Nusantara, Tangerang, Indonesia hansun@umn.ac.id Abstract Recently, there are
Lebih terperinciSIMULASI KENDALI MUTU DOSIS OBAT BERBASIS BOBOT DENGAN MENGGUNAKAN LOGIKA FUZZY
Abstract SIMULASI KENDALI MUTU DOSIS OBAT BERBASIS BOBOT DENGAN MENGGUNAKAN LOGIKA FUZZY Panca Hariwan Program Studi Teknik Komputer AMIK Bina Sarana Informatika panca_hariwan@bsi.ac.id; panca_85@yahoo.com
Lebih terperinciBAB III TRANSFORMASI MATRIKS DERET DIRICHLET HOLOMORFIK. A. Transformasi Matriks Mengawetkan Kekonvergenan
BAB III TRANSFORMASI MATRIKS DERET DIRICHLET HOLOMORFIK A. Transformasi Matriks Mengawetkan Kekonvergenan Pada bagian A ini pembahasan dibagi menjadi dua bagian, yang pertama membahas mengenai transformasi
Lebih terperinciIJCCS, Vol.x, No.x, July xxxx, pp. 1~5 ISSN: Perancangan Model Matematis Untuk Penentuan Jumlah Produksi di PT. XZY
IJCCS, Vol.x, No.x, July xxxx, pp. ~5 ISSN: 978-52 Perancangan Model Matematis Untuk Penentuan Jumlah Produksi di PT. XZY Dian Eko Hari Purnomo Universitas Sarjanawiyata Tamansiswa, Program Studi Teknik
Lebih terperinciAnalisis Hubungan Proses Pembelajaran dengan Kepuasan Mahasiswa Menggunakan Logika Fuzzy
Scientific Journal of Informatics Vol. 2, No. 1, Mei 2015 p-issn 2407-7658 http://journal.unnes.ac.id/nju/index.php/sji e-issn 2460-0040 Analisis Hubungan Proses Pembelajaran dengan Kepuasan Mahasiswa
Lebih terperinciBAB IV METODOLOGI. Gambar 4.1 Model keseimbangan air pada waduk (Sumber : Noor jannah,2004)
BAB IV METODOLOGI 4.1 Sistem Pengoperasian Waduk. Tujuan di bangun suatu sistem waduk sangat mempengaruhi strategi pengoperasian sistem waduk yang bersangkutan. Dalam mengembangkan model optimasi pengoperasian
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Program linier merupakan metode matematika dalam mengalokasikan sumber daya yang terbatas untuk mencapai suatu tujuan, seperti memaksimumkan keuntungan dan meminimumkan
Lebih terperinciSifat Barisan Subhimpunan Tutup di Ruang Metrik yang Completion-nya adalah Ruang Atsuji
Sifat Barisan Subhimpunan Tutup di Ruang Metrik yang Completion-nya adalah Ruang Atsuji Hendy Fergus A. Hura 1, Nora Hariadi 2, Suarsih Utama 3 1 Departemen Matematika, FMIPA UI, Kampus UI Depok, 16424,
Lebih terperinci