Analisa Tingkat Kebisingan di DKI Jakarta dengan Fuzzy Logic Menggunakan Aplikasi MATLAB
|
|
- Suryadi Jayadi
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Analisa Tingkat di DKI Jakarta dengan Fuzzy Logic Menggunakan Aplikasi MATLAB Popy Meilina Jurusan Teknik Informatika Universitas Muhammadiyah Jakarta Abstrak -- Fuzzy Logic merupakan peningkatan dari logika Boolean yang berhadapan dengan konsep kebenaran sebagian. Di mana logika klasik menyatakan bahwa segala hal dapat diekspresikan dalam istilah binary (0 atau 1, hitam atau putih, ya atau tidak), fuzzy logic menggantikan kebenaran boolean dengan tingkat kebenaran. Fuzzy logic berhubungan dengan set fuzzy dan teori kemungkinan. dibagi atas empat tingkat yaitu sangat tenang, tenang, bising, dan sangat bising. Untuk kelayakan dibagi atas tiga tingkat yaitu, layak, cukup layak dan tidak layak. Kemudian hubungan dari dan terbentuk suatu keluaran POP yang terbagi atas tiga tingkatan yaitu POP I, POP II dan POP III. Kata kunci : Fuzzy logic, kebisingan I. LATAR BELAKANG Dengan tingkat kepadatan yang tinggi pada kota Jakarta dapat diperkirakan bahwa secara simultan tingkat kebisingannya juga tinggi. dapat diakibatkan dari berbagai macam aspek seperti banyaknya pabrik yang dibangun, bising dari kemacetan lalu lintas, bising dari bandara udara, stasiun kereta api dan lain-lain. Fuzzy logic merupakan peningkatan dari logika Boolean yang berhadapan dengan konsep kebenaran sebagian. Di mana logika klasik menyatakan bahwa segala hal dapat diekspresikan dalam istilah binary (0 atau 1, hitam atau putih, ya atau tidak), fuzzy logic menggantikan kebenaran boolean dengan tingkat kebenaran. Fuzzy logic memungkinkan nilai keanggotaan antara 0 dan 1, tingkat keabuan dan juga hitam dan putih, dan dalam bentuk linguistik, konsep tidak pasti seperti "sedikit", "lumayan", dan "sangat". Fuzzy logic berhubungan dengan set fuzzy dan teori kemungkinan. Identifikasi Masalah Satuan tingkat intensitas yang terdefinisi menurut ilmu fisika adalah decibel (db), setiap benda yang bergerak akan menimbulkan suara baik itu gerak potensial maupun gerakan kinetik. Kemudian manusia dapat menangkap suara dari intensitas Wm -2 sampai dengan 1 Wm -2 (Marthen Kanginan, 2003 : 162) atau dengan satuan decibel yaitu antara 10 db sampai 120 db (Giancoli, 2001: 411), apabila manusia mendengar suara melebihi dari 120 db, maka suara tersebut dapat dikatakan sebagai bising yang dapat mengganggu manusia mulai dari gangguan telinga sampai gangguan pada otak. Tujuan Penelitian Adapun tujuan dari penulis yaitu untuk mengetahui tingkat kebisingan dan tingkat kelayakan dan jenis POP suatu wilayah berdasarkan tingkat intensitas suara. II. LANDASAN TEORI Konsep ketidakpastian menjadi konsep dasar munculnya konsep logika fuzzy. Pencetus gagasan logika fuzzy adalah Prof. L.A. Zadeh (1965) dari California University. Pada prinsipnya himpunan fuzzy adalah perluasan himpunan crisp, yaitu himpunan yang membagi sekelompok individu kedalam dua kategori, yaitu anggota dan bukan anggota. Pada himpunan tegas (crisp), nilai keanggotaan suatu item x dalam suatu himpunan A, yang sering ditulis dengan μ A [x], memiliki 2 kemungkinan, yaitu ( Kusumadewi, 2003: 156 ) : Satu (1) yang berarti bahwa suatu item menjadi anggota dalam suatu himpunan. l (0) yang berarti bahwa suatu item tidak menjadi anggota dalam suatu himpunan. Pada himpunan crisp, nilai keanggotaan hanya ada 2 kemungkinan, yaitu 0 tau 1. Sedangkan pada himpunan fuzzy nilai keanggotaan terletak pada rentang 0 sampai 1. Semesta pembicaraan adalah keseluruhan nilai yang diperbolehkan untuk dioperasikan dalam suatu variabel fuzzy. Domain himpunan fuzzy adalah keseluruhan nilai yang diijinkan dalam semesta pembicaraan dan boleh dioperasikan dalam suatu himpunan fuzzy ( Kusumadewi, 2004: 12 ). Fungsi keanggotaan (membership function) adalah suatu kurva yang menunjukkan pemetaan titik-titik input data kedalam nilai keanggotaan yang memiliki interval antara 0 sampai 1. Salah satu cara yang dapat digunakan untuk mendapatkan nilai keanggotaan adalah dengan melalui pendekatan fungsi. Ada beberapa fungsi yang bisa digunakan diantaranya : 1. representasi linear 2. representasi segitiga 3. representasi trapesium 4. representasi kurva bentuk bahu 5. representasi kurva S 6. representasi bentuk lonceng 216
2 Untuk mendapatkan output diperlukan 4 tahapan pada metode mamdani, diantaranya: 1. Pembentukan himpunan fuzzy Pada metode mamdani baik variabel input maupun variabel output dibagi menjadi satu atau lebih himpunan fuzzy. 2. Aplikasi fungsi implikasi Pada Metode Mamdani, fungsi implikasi yang digunakan adalah Min. 3. Komposisi aturan Metode yang digunakan dalam melakukan inferensi sistem fuzzy, yaitu Metode Max (Maximum). Secara umum dapat dituliskan : μsf[xi] = max (μsf [Xi], μkf [Xi]) Dengan : μsf[xi] = nilai keanggotaan solusi fuzzy sampai aturan ke i μkf [Xi]) = nilai keanggotaan konsekuan fuzzy aturan ke i 4. Penegasan (defuzzy) Defuzzyfikasi pada komposisi aturan mamdani dengan menggunakan metode centroid. Dimana pada metode ini, solusi crisp diperoleh dengan cara mengambil titik pusat daerah fuzzy. III. PENGOLAHAN DATA DAN IMPLEMENTASI Pengolahan data dilakukan dengan menentukan variabel dan semesta pembicaraan, dilanjutkan dengan membentuk himpunan fuzzy. Penentuan vadriabel dan semesta pembicaraan dari hasil pengambilan data dapat diperoleh pada tabel 1. Sedang himpunan fuzzy ditampilkan pada tabel 2. Langkah selanjutnya adalah membuat fungsi keanggotaan untuk tiap variabel kebisingan dan kelayakan. Fungsi keanggotaan variabel kebisingan terdiri atas sangat tenang, tenang, bising, dan sangat bising. Hal ini dapat dilihat pada gambar 1. Fungsi keanggotaan variabel kelayakan terdiri atas layak, cukup layak, dan tidak layak. Hal ini dapat dilihat pada gambar 2. Tabel 1 Penentuan Variabel dan Semesta Pembicaraan Fungsi Nama Variabel Semesta Pembicaraan Input Tingkat Intensitas [10 150] Output [10 150] [10 150] Nama Variabel Tabel 2 Himpunan Fuzzy Nama Himpunan Fuzzy Semesta Pembicara an Domain SANGAT_TENANG [10 60] TENANG [30 90] [10 150] BISING [60 120] SANGAT_BISING [90 150] LAYAK [10 75] [10 150] CUKUP_LAYAK [55 90] TIDAK_LAYAK [75 150] 1 Sangat tenang Tenang Bising Sangat Bising Gambar 1 Fungsi keanggotaan pada himpunanhimpunan fuzzy untuk variabel kebisingan 1 0 LAYAK CUKUP_LAYAK TIDAK_LAYAK Gambar 2 Fungsi keanggotaan pada himpunanhimpunan fuzzy untuk variabel kelayakan db Start Proses Tingkat TI POP no data/no TI * ** Proses Tingkat Gambar 3 Sistem Fuzzy Logic antara dan Data masukan berupa suara yang direkam dengan menggunakan media player MP3. Namun format file yang dihasilkan tidak berupa *.wav, sedangkan software Matlab sebagai media penulis untuk mensimulasikan sistem fuzzy hanya dapat membaca file suara yang berbentuk *.wav. Untuk itu suara yang telah direkam harus diubah dengan suatu software db Power AMP Music Converter Kemudian inputan file suara yang telah di ubah menjadi file *.wav kita proses ke dalam software Matlab. Untuk mengambil file suara yang berbentuk *.wav digunakan fungsi : wav_file=([nama_path,nama_file]; sedangkan untuk membacanya digunakan fungsi : [suara,fs]=wavread(wav_file) mencari Tingkat Intensitas suara dengan fungsi : h = spectrum.periodogram hopts = psdopts(h) hpsd = psd(h,t,hopts) pwr = avgpower(hpsd) g = pwr Variabel g merupakan tingkat intensitas suara (TI) yang akan kita proses ke dalam proses kelayakan dan proses kebisingan untuk mencari tingkat kelayakan dan tingkat kebisingan. End 217
3 MULAI g <=10 = 'Layak' layak = (g-10)/45 g>10 & g<=55 layak > ckplayak layak = (75 - g)/20 ckplayak = (g - 55)/20 g>55 & g<=75 Selesai = 'Cukup Layak' ckplayak>tdklayak ckplayak = (90 - g)/15 tdklayak = (g -75)/15 g>75 & g<=90 = 'Tidak Layak' tdklayak = (150- g)/40 g>90 & g<=150 g>150 Gambar 4 Proses dengan Fuzzy Logic (TA, 2007). MULAI x = 'Tingkat Intensitas di Luar Pembahasan' = 'Sangat Tenang' g <=10 = 'Sangat Tenang' sgttenang = (g-10)/20 g>10 & g<=30 sgttenang>tenang sgttenang = (g-10)/20 tenang = (g - 30) / 30 g>30 & g<=60 = 'Tenang' SELESAI X tenang>bising tenang = (90 - g) / 30 bising = (g -60) / 30 g>60 & g<=90 = 'Bising' bising>sgtbising bising = (120 - g) / 30 sgtbising = (g - 90) / 30 g>90 & g<=120 = 'Sangat Bising' sgtbising = (150- g) / 30 g>120 & g<=150 x = 'Tingkat Intensitas di Luar Pembahasan' = 'Sangat Tenang' Gambar 5 Proses dengan Fuzzy Logic g>
4 Gambar 4 merupakan penjelasan untuk proses kelayakan yang ada pada gambar 3. Variabel g merupakan nilai untuk tingkat intensitas (TI) yang merupakan sebagai masukan. Setiap tingkat kelayakan nilai intensitasnya dibandingkan Gambar 5 merupakan penjelasan untuk proses kebisingan yang ada pada gambar 3. Variabel g merupakan nilai untuk tingkat intensitas (TI) yang merupakan sebagai masukan. Setiap tingkat kebisingan nilai intensitasnya dibandingkan. Setelah mendapatkan nilai dari tingkat kebisingan dan tingkat kelayakan maka penulis mengambil kesimpulan berdasarkan teori-teori yang ada untuk membuat variabel baru. Tingkat LAYAK CUKUP LAYAK TIDAK LAYAK Tingkat SANGAT TENANG TENANG BISING SANGAT BISING Gambar 6 Relasi antara Tingkat dan Tingkat yang Diperoleh Gambar 6 menggambarkan hubungan antara variabel kelayakan dan variabel kebisingan. Dari gambar 6 penulis mendapatkan suatu teori keluaran yang diinginkan berupa POP. Adapun tabel 3.3 merupakan tingkatan dari POP, yaitu : Jenis POP POP I POP II POP III Tabel 3 Tingkatan Keluaran POP Aturan Indikator Masalah Akibat Layak Sangat Tenang Tenang Hijau Tidak ada masalah Cukup Layak Tenang Berkurangnya Kuning Bising Pendengaran Tidak Layak Bising Resiko kehilangan Merah Sangat Bising pendengaran secara permanent Dalam Tabel 3 dijabarkan aturan kelayakan dan kebisingan untuk POP I, POP II, dan POP III serta menentukan indikator masalah serta penyebabnya. IMPLEMENTASI Sebagai contoh pada data di atas file suara keras.wav pada panel Proses dengan tingkat intensitas suara sebesar dB, menyatakan bahwa jenis tingkat kebisingannya yaitu Sangat Bising. Dan kelayakannya dengan tingkat Tidak Layak. Pada panel POP menunjukkan jenis POP berada tingkat POPIII dimana indikator masalah berwarna merah dan dapat mengakibatkan gangguan pendengaran secara permanen. Contoh aplikasi yang telah diimplementasikan tersebut dapat dilihat pada Gambar 7. Gambar 7 Proses fuzzy untuk kebisingan suara Dalam Tabel 4 dimuat data-data daerah yang diambil sampel suaranya dan kemudian di analisa dengan menggunakan fuzzy logic. 219
5 Tabel 4 Daftar Daerah di DKI Jakarta yang di uji Daerah TI POP Indikator 1 Terminal Blok M Sangat Bising Tidak Layak POP III Merah (jam siang) 2 Pasar Jatinegara (jam 15.00) Bisng Tidak Layak POP III Merah 3 Percakapan Tenang Layak POP I Hijau 4 Ruang Kelas UMJ Tenang Cukup Layak POP II Kuning (Jam 09.00) 5 Bandara Sangat Bising Tidak Layak POP III Merah (jam 10.00) 6 Mesin pengikir batu cincin Sangat Bising Tidak Layak POP III Merah (jam 15.00) 7 Rapat Pengurus HMIF Bising Cukup Layak POP II Kuning (jam 14.00) 8 Kampus Uhamka (jam Bising Tidak Layak POP III Merah sore) 9 Stasiun Jatinegara (Jam 14.30) Sangat Bising Tidak Layak POP III Merah 10 Halte Busway Jatinegara (Jam 16.00) Bising Tidak Layak POP III Merah Pada Tabel 4 ruang kelas Informatika FT- UMJ pada jam dengan tingkat intensitas suara sebesar db kebisingannya dinyatakan sebagai tenang dan kelayakannya dinyatakan dengan cukup layak kemudian dihasilkan jenis POP I yang mempunyai indikator hijau dan tidak memiliki efek terhadap pendengaran manusia. Namun untuk data di daerah pemukiman di dekat terminal Blok M (jam 13.00) dengan tingkat intensitas suara sebesar db, kebisingannya dinyatakan sangat bising dan kelayakannya dinyatakan sebagai tidak layak kemudian dihasilkan jenis POP III yang mempunyai indikator merah dan memiliki efek dapat mengganggu pendengran manusia secara permanen. Dari dua data tersebut dapat disimpulkan bahwa kelayakan suatu daerah dapat dijadikan tempat tinggal tergantung kepada besar tingkat intensitas suara yang dihasilkan. VI. PENUTUP Dengan data sebagai contoh daerah pemukiman yang tenang dengan tingkat intensitas suara sebesar db kebisingannya dinyatakan sebagai tenang dan kelayakannya dinyatakan dengan layak kemudian dihasilkan jenis POP I yang mempunyai indikator hijau dan tidak memiliki efek terhadap pendengaran manusia. Namun untuk data di daerah pemukiman di dekat terminal Blok M (jam 13.00) dengan tingkat intensitas suara sebesar db, kebisingannya dinyatakan sangat bising dan kelayakannya dinyatakan sebagai tidak layak kemudian dihasilkan jenis POP III yang mempunyai indikator merah dan memiliki efek dapat mengganggu pendengran manusia secara permanen. Dari dua data tersebut dapat disimpulkan bahwa kelayakan suatu daerah dapat dijadikan tempat tinggal tergantung kepada besar tingkat intensitas suara yang dihasilkan. V. DAFTAR PUSTAKA Giancoli. Fisika jilid 1. Jakarta : Erlangga, Edisi 5, Kanginan, Marthen. Fisika 2000 Jilid 3A untuk SMU Kelas 3. Jakarta : Erlangga, Kusumadewi, Sri. Artificial Intelligence (Teknik dan Aplikasinya). Yogyakarta : Graha Ilmu, Kusumadewi, Sri. Analisis Desain Sistem Fuzzy menggunakan Tool Box Matlab.. Yogyakarta : Graha Ilmu, Kusumadewi, Sri., dan Purnomo, Hari. Aplikasi Logika Fuzzy untuk Pendukung Keputusan. Yogyakarta : Graha Ilmu, Sri Widodo, Thomas. Sistem Neuro Fuzzy. Yogyakarta : Graha Ilmu, les.htm 220
PENENTUAN 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 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 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 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 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 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 4 BAB 2 TINJAUAN PUSTAKA 2.1. Pengertian Fuzzy Logika fuzzy adalah suatu cara yang tepat untuk memetakan suatu ruang input kedalam suatu ruang output. Titik awal dari konsep modern
Lebih terperinciBAB II 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 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 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 terperinciNURAIDA, IRYANTO, DJAKARIA SEBAYANG
Saintia Matematika Vol. 1, No. 6 (2013), pp. 543 555. ANALISIS TINGKAT KEPUASAN KONSUMEN BERDASARKAN PELAYANAN, HARGA DAN KUALITAS MAKANAN MENGGUNAKAN FUZZY MAMDANI (Studi Kasus pada Restoran Cepat Saji
Lebih terperinciPenerapan 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 terperinciSISTEM PENDUKUNG KEPUTUSAN PEMILIHAN KETUA SENAT MAHASISWA DENGAN LOGIKA FUZZY
SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN KETUA SENAT MAHASISWA DENGAN LOGIKA FUZZY Jamaludin Malik 1), Arik Sofan Tohir 2), Jl Ring road Utara, Condongcatur, Sleman, Yogyakarta 55281 Email: 1) malixjams@gmail.com,
Lebih 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 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 terperinciMODEL SISTEM PENDUKUNG KEPUTUSAN DENGAN FUZZY INFERENCE SYSTEM UNTUK PROMOSI KARYAWAN
Seminar Nasional Inovasi dan Teknologi (SNIT) 202 MODEL SISTEM PENDUKUNG KEPUTUSAN DENGAN FUZZY INFERENCE SYSTEM UNTUK PROMOSI KARYAWAN Ghofar Taufiq AMIK Bina Sarana Informatika Jakarta Jl. Kramat Raya
Lebih terperinciBAB II 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 terperinciSTUDY TENTANG APLIKASI FUZZY LOGIC MAMDANI DALAM PENENTUAN PRESTASI BELAJAR SISWA (STUDY KASUS: SMP PEMBANGUNAN NASIONAL PAGAR MERBAU)
STUDY TENTANG APLIKASI FUZZY LOGIC MAMDANI DALAM PENENTUAN PRESTASI BELAJAR SISWA (STUDY KASUS: SMP PEMBANGUNAN NASIONAL PAGAR MERBAU) Desi Vinsensia Program Studi Teknik Informatika STMIK Pelita Nusantara
Lebih terperinciBAB III LANDASAN TEORI
BAB III LANDASAN TEORI 3.1. Sistem Pendukung Keputusan DSS adalah suatu sistem informasi yang datanya diproses dalam bentuk pembuatan keputusan bagi pemakai akhir. Karena berorientasi pada pemakai akhir,
Lebih terperinciKarena tidak semua masyarakat mampu membeli kendaraan khususnya roda empat secara tunai, maka mereka membelinya secara kredit. PT Astra Credit Compani
ANALISIS PEMBERIAN KREDIT MOBIL DENGAN PENDEKATAN METODE FUZZY-MAMDANI (STUDI KASUS : PT ASTRA CREDIT COMPANIES CABANG DAIHATSU CIBUBUR) Andrian Yamin Jurusan Akuntansi Universitas Gunadarma Depok Jl.
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 terperinciPengantar Kecerdasan Buatan (AK045218) Logika Fuzzy
Logika Fuzzy Pendahuluan Alasan digunakannya Logika Fuzzy Aplikasi Himpunan Fuzzy Fungsi keanggotaan Operator Dasar Zadeh Penalaran Monoton Fungsi Impilkasi Sistem Inferensi Fuzzy Basis Data Fuzzy Referensi
Lebih terperinciANALISIS & DESAIN SISTEM FUZZY. Menggunakan TOOLBOX MATLAB
ANALISIS & DESAIN SISTEM FUZZY Menggunakan TOOLBOX MATLAB ANALISIS & DESAIN SISTEM FUZZY Menggunakan TOOLBOX MATLAB Sri Kusumadewi Analisis & Desain Sistem Fuzzy Menggunakan Toolbox Matlab Oleh: Sri Kusumadewi
Lebih 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 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 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 terperinciJurnal Informatika SIMANTIK Vol. 2 No. 2 September 2017 ISSN:
PENERAPAN LOGIKA FUZZY UNTUK MENENTUKAN MAHASISWA BERPRESTASI DI STMIK CIKARANG MENGGUNAKAN JAVA NETBEANS DAN MYSQL Ema Dili Giyanti 1), Ali Mulyanto 2) 1) Program Studi Teknik Informatika, STMIK Cikarang
Lebih terperinciBAB 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 terperinciBAB II LANDASAN TEORI. 2.1 Penelusuran Minat dan Kemampuan (PMDK) diselenggarakan oleh suatu perguruan tinggi secara mandiri.
BAB II LANDASAN TEORI 2.1 Penelusuran Minat dan Kemampuan (PMDK) PMDK adalah salah satu program penerimaan mahasiswa baru yang diselenggarakan oleh suatu perguruan tinggi secara mandiri. Sesuai dengan
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 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 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 terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Beras merupakan salah satu kebutuhan pokok manusia yang harus dipenuhi setiap harinya. Beras memiliki peranan penting dalam kelangsungan hidup manusia. Untuk memenuhi
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 terperinciProses Defuzzifikasi pada Metode Mamdani dalam Memprediksi Jumlah Produksi Menggunakan Metode Mean Of Maximum
Prosiding Penelitian SPeSIA Unisba 2015 ISSN: 2460-6464 Proses Defuzzifikasi pada Metode Mamdani dalam Memprediksi Jumlah Produksi Menggunakan Metode Mean Of Maximum 1 Fitria Tri Suwarmi, 2 M. Yusuf Fajar,
Lebih 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 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 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 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 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 terperinci: Sistem Pendukung Keputusan, Siswa berprestasi, Tsukamoto
SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN SISWA BERPRESTASI BERBASIS WEB DENGAN METODE TSUKAMOTO PADA SMA INSTITUT INDONESIA Eko Purwanto Program Studi Teknik Informatika, Fakultas Ilmu Komputer Universitas
Lebih 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 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 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 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 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 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 terperinciPENERAPAN INFERENSI FUZZY UNTUK KENDALI SUHU RUANGAN PADA PENDINGIN RUANGAN (AC)
PENERAPAN INFERENSI FUZZY UNTUK KENDALI SUHU RUANGAN PADA PENDINGIN RUANGAN (AC) Kartina Diah KW,ST1), Zulfa Noviardi2) 1,2) Jurusan Teknik Komputer Politeknik Caltex Riau Pekanbaru Jl. Umban Sari No.1
Lebih terperinciKECERDASAN BUATAN (Artificial Intelligence) Materi 8. Entin Martiana
Logika Fuzzy KECERDASAN BUATAN (Artificial Intelligence) Materi 8 Entin Martiana 1 Kasus fuzzy dalam kehidupan sehari-hari Tinggi badan saya: Andi menilai bahwa tinggi badan saya termasuk tinggi Nina menilai
Lebih terperinciSIMULASI SISTEM UNTUK PENGONTROLAN LAMPU DAN AIR CONDITIONER DENGAN MENGGUNAKAN LOGIKA FUZZY
SIMULASI SISTEM UNTUK PENGONTROLAN LAMPU DAN AIR CONDITIONER DENGAN MENGGUNAKAN LOGIKA FUZZY Nesi Syafitri. N Teknik Informatika, Fakultas Teknik Universitas Islam Riau, Jalan Kaharuddin Nasution No. 3,
Lebih terperinciEVALUASI KINERJA GURU DENGAN MENGGUNAKAN FUZZY INFERENCE SYSTEM (FIS) MAMDANI
EVALUASI KINERJA GURU DENGAN MENGGUNAKAN FUZZY INFERENCE SYSTEM (FIS) MAMDANI Karmila Suryani 1), Khairudin 2) 1) FKIP Universitas Bung Hatta Padang 2) FKIP Universitas Bung Hatta Padang e-mail: karmilasuryani.ptik@gmail.com,khaihatta@yahoo.com
Lebih 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 terperinciFuzzy Inference System untuk Mengurangi Kemacetan di Perempatan Jalan
Fuzzy Inference System untuk Mengurangi Kemacetan di Perempatan Jalan Edwin Romelta / 13508052 Program Studi Teknik Informatika Sekolah Teknik Elektro dan Informatika Institut Teknologi Bandung, Jl. Ganesha
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 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 terperinciEVALUASI PEMILIHAN PELAKSANA PROYEK TEKNOLOGI INFORMASI MENGGUNAKAN METODE LOGIKA FUZZY
EVALUASI PEMILIHAN PELAKSANA PROYEK TEKNOLOGI INFORMASI MENGGUNAKAN METODE LOGIKA FUZZY Wijang Widhiarso 1, Sri Hartati 2 1 Program Studi Teknik Informatika STMIK MDP Palembang 2 Fakultas Matematika dan
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Game dan Video Game Menurut kamus Cambridge Advanced Learner Dictionary, game adalah sebuah aktivitas menghibur dan menyenangkan yang dimainkan oleh anak anak. Sedangkan video
Lebih terperinciBAB II KAJIAN PUSTAKA. mengikuti sertifikasi, baik pendidikan gelar (S-1, S-2, atau S-3) maupun nongelar (D-
BAB II KAJIAN PUSTAKA A. Kualifikasi Akademik Ditjendikti - kemendiknas, (2010) menyatakan bahwa kualifikasi akademik adalah ijazah pendidikan tinggi yang dimiliki oleh guru pada saat yang bersangkutan
Lebih terperinciPenggunaan Metode Logika Fuzzy Untuk Memprediksi Jumlah Kendaraan Bermotor Berdasarkan Tingkat Kebisingan Lalu Lintas, Lebar Jalan Dan Faktor Koreksi
Jurnal Gradien Vol.3 No.2 Juli 2007 : 247-251 Penggunaan Metode Logika Fuzzy Untuk Memprediksi Jumlah Kendaraan Bermotor Berdasarkan Tingkat Kebisingan Lalu Lintas, Lebar Jalan Dan Faktor Koreksi Syamsul
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 terperinciBAB IV PEMBAHASAN. Pada penelitian ini akan dibandingkan antara aplikasi teori graf fuzzy dan
BAB IV PEMBAHASAN Pada penelitian ini akan dibandingkan antara aplikasi teori graf fuzzy dan teori aljabar max-plus dalam pengaturan lampu lalu lintas di simpang empat Beran Kabupaten Sleman Provinsi Daerah
Lebih terperinciBab 2 LANDASAN TEORI
Bab 2 LANDASAN TEORI 2.1 Persediaan 2.1.1 Definisi Persediaan Persediaan adalah bahan atau barang yang disimpan yang akan digunakan untuk memenuhi tujuan tertentu, misalnya untuk proses produksi atau perakitan,
Lebih terperinciPENDAPATAN MASYARAKAT DENGAN ADANYA KAMPUS MENGGUNAKAN FUZZY TSUKAMOTO
PENDAPATAN MASYARAKAT DENGAN ADANYA KAMPUS MENGGUNAKAN FUZZY TSUKAMOTO Asrianda 1 asrianda@unimal.ac.id Abstrak Bertambahnya permintaan mahasiswa atas kebutuhan makan seharihari, berkembangnya usaha warung
Lebih terperinciHimpunan Fuzzy. Sistem Pakar Program Studi : S1 sistem Informasi
Himpunan Fuzzy Sistem Pakar Program Studi : S1 sistem Informasi Outline Himpunan CRISP Himpunan Fuzzy Himpunan CRISP Pada himpunan tegas (crisp), nilai keanggotaan suatu item dalam suatu himpunan A, yang
Lebih terperinciPERANCANGAN SISTEM PERENCANAAN JUMLAH PRODUKSI ROTI MENGGUNAKAN METODE FUZZY MAMDANI
PERANCANGAN SISTEM PERENCANAAN JUMLAH PRODUKSI ROTI MENGGUNAKAN METODE FUZZY MAMDANI Murni Marbun 1, Hengki Tamando Sihotang 2, Normi Verawati Marbun 3 2 Teknik Informatika STMIK Pelita Nusantara Medan,
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 terperinciPENENTUAN JUMLAH PRODUKSI PULP PADA PT.TOBA PULP LESTARI, Tbk. DENGAN MENGGUNAKAN METODE FUZZY-MAMDANI SKRIPSI AGNES NENNY SISKA SINAGA
PENENTUAN JUMLAH PRODUKSI PULP PADA PT.TOBA PULP LESTARI, Tbk. DENGAN MENGGUNAKAN METODE FUZZY-MAMDANI SKRIPSI Diajukan untuk melengkapi tugas dan memenuhi syarat mencapai gelar Sarjana Sains AGNES NENNY
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1 Logika Fuzzy Zadeh (1965) memperkenalkan konsep fuzzy sebagai sarana untuk menggambarkan sistem yang kompleks tanpa persyaratan untuk presisi. Dalam jurnalnya Hoseeinzadeh et
Lebih terperinciPENGGUNAAN SISTEM INFERENSI FUZZY UNTUK PENENTUAN JURUSAN DI SMA NEGERI 1 BIREUEN
Saintia Matematika Vol. 1, No. 3 (2013), pp. 233 247. PENGGUNAAN SISTEM INFERENSI FUZZY UNTUK PENENTUAN JURUSAN DI SMA NEGERI 1 BIREUEN Zati Azmiana, Faigiziduhu Bu ulolo, dan Partano Siagian Abstrak.
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN DALAM MENENTUKAN BEASISWA BERPRESTASI MENGGUNAKAN METODE FUZZY (STUDI KASUS: INSTANSI XYZ)
SISTEM PENDUKUNG KEPUTUSAN DALAM MENENTUKAN BEASISWA BERPRESTASI MENGGUNAKAN METODE FUZZY (STUDI KASUS: INSTANSI XYZ) Dimas Wahyu Wibowo 1, Eka Larasati Amalia 2 1,2 Teknik Informatika, Politeknik Negeri
Lebih terperinciLOGIKA FUZZY METODE MAMDANI DALAM SISTEM KEPUTUSAN FUZZY PRODUKSI MENGGUNAKAN MATLAB
LOGIKA FUZZY METODE MAMDANI DALAM SISTEM KEPUTUSAN FUZZY PRODUKSI MENGGUNAKAN MATLAB Mia Kastina, Marzuki Silalahi Prodi Sistem Informasi Fakultas Ilmu Komputer Universitas Esa Unggul, Jakarta Jalan Arjuna
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 terperinciSISTEM PENDUKUNG KEPUTUSAN PEMILIHAN JURUSAN DI SMU DENGAN LOGIKA FUZZY
SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN JURUSAN DI SMU DENGAN LOGIKA FUZZY Hafsah, Heru Cahya Rustamaji, Yulia Inayati Jurusan Teknik Informatika UPN "Veteran" Yogyakarta Jl. Babarsari No 2 Tambakbayan Yogyakarta
Lebih 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 terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Permintaan 2.1.1 Pengertian Permintaan Permintaan adalah banyaknya jumlah barang yang diminta pada suatu pasar tertentu dengan tingkat harga tertentu pada tingkat pendapatan tertentu
Lebih 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 terperinciPENGENDALIAN KECEPATAN KENDARAAN RODA EMPAT DENGAN MENGGUNAKAN FUZZY INFERENCE SYSTEM METODE MAMDANI
Buletin Ilmiah Math. Stat. dan Terapannya (Bimaster) Volume 03, No. (204), hal 39-46. PENGENDALIAN KECEPATAN KENDARAAN RODA EMPAT DENGAN MENGGUNAKAN FUZZY INFERENCE SYSTEM METODE MAMDANI Yoakim Marinus
Lebih terperinciBAB II TINJAUAN PUSTAKA
4 BAB II TINJAUAN PUSTAKA A. Penjurusan di SMA Sepanjang perkembangan Pendidikan formal di Indonesia teramati bahwa penjurusan di SMA telah dilaksanakan sejak awal kemerdekaan yaitu tahun 1945 sampai sekarang,
Lebih terperinciBAB 1 PENDAHULUAN. Universitas Sumatera Utara
BAB 1 PENDAHULUAN 1.1 Latar Belakang STKIP Tapanuli Selatan merupakan perguruan tinggi yang legal dibawah Yayasan Al-Iman Padangsidimpuan berdiri berdasarkan akta notaris pada tanggal 31 Agustus 1981.
Lebih terperinciBAB 2 LANDASAN TEORI
5 BAB 2 LANDASAN TEORI 2.1 Logika Fuzzy Logika fuzzy adalah cabang dari sistem kecerdasan buatan (Artificial Inteligent) yang mengemulasi kemampuan manusia dalam berfikir ke dalam bentuk algoritma yang
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
4 BAB 2 TINJAUAN PUSTAKA 2.1. Pengertian Fuzzy Logika fuzzy adalah suatu cara yang tepat untuk memetakan suatu ruang input kedalam suatu ruang output. Titik awal dari konsep modern mengenai ketidakpastian
Lebih terperincimanusia diantaranya penyakit mata konjungtivitis, keratitis, dan glaukoma.
6 BAB II TINJAUAN PUSTAKA 2.1 Gambaran Tentang Mata Mata merupakan organ tubuh manusia yang paling sensitif apabila terkena benda asing misal asap dan debu. Debu akan membuat mata kita terasa perih atau
Lebih 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 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 terperinciPENGESAHAN PEMBIMBING...
DAFTAR ISI HALAMAN JUDUL... i HALAMAN PENGESAHAN PEMBIMBING... ii HALAMAN PERNYATAAN KEASLIAN... iii LEMBAR PENGESAHAN PENGUJI... iv HALAMAN PERSEMBAHAN... v HALAMAN MOTTO... vii KATA PENGANTAR... viii
Lebih terperinciImplementasi Metode Fuzzy-Mamdani Dalam Menentukan Jumlah Produksi Penganan Menggunakan Visual Basic
JTRISTE, Vol.2, No.2, Oktober 2015, pp. 18~28 ISSN: 2355-3677 Implementasi Metode Fuzzy-Mamdani Dalam Menentukan Jumlah Produksi Penganan Menggunakan Visual Basic Junaedy 1, Abdul Munir 2 STMIK KHARISMA
Lebih terperinciProses Pendiagnosaan Penyakit Menggunakan Logika Fuzzy Dengan Metode Mamdani
JURNAL SAINTIFIK VOL.3 NO. 2, JULI 2017 Proses Pendiagnosaan Penyakit Menggunakan Logika Fuzzy Dengan Metode Mamdani Darmawati Jurusan Matematika FMIPA Universitas Sulawesi Barat; e-mail: dharmawangs89@gmail.com
Lebih terperinciMenentukan Jumlah Produksi Berdasarkan Permintaan dan Persediaan Dengan Logika Fuzzy Menggunakan Metode Mamdani
Menentukan Jumlah Produksi Berdasarkan Permintaan dan Persediaan Dengan Logika Fuzzy Menggunakan Metode Mamdani Anitaria Simanullang 1), Marlina Setia Sinaga 2) Jurusan Matematika FMIPA UNIMED anitaria.simanullang@gmail.com
Lebih 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 II TEORI PENUNJANG
BAB II TEORI PENUNJANG 2.1 LOGIKA FUZZY Titik awal dari konsep modern mengenai ketidakpastian adalah paper yang dibuat oleh Lofti A Zadeh, dimana Zadeh memperkenalkan teori yang memiliki obyek-obyek dari
Lebih terperinciPrediksi Jumlah Produksi Mebel Pada CV. Sinar Sukses Manado Menggunakan Fuzzy Inference System
Jurnal Matematika dan Aplikasi decartesian ISSN:2302-4224 J o u r n a l h o m e p a g e: https://ejournal.unsrat.ac.id/index.php/decartesian decartesian Prediksi Jumlah Produksi Mebel Pada CV. Sinar Sukses
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 terperinciBAB III LANDASAN TEORI
BAB III LANDASAN TEORI Bab ini akan memaparkan berbagai teori yang melandasi penulis dalam membangun sistem yang nantinya akan dibuat. 3.1. Pengertian Optimalisasi Secara umum pengertian optimalisasi menurut
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 terperinciTeam project 2017 Dony Pratidana S. Hum Bima Agus Setyawan S. IIP
Hak cipta dan penggunaan kembali: Lisensi ini mengizinkan setiap orang untuk menggubah, memperbaiki, dan membuat ciptaan turunan bukan untuk kepentingan komersial, selama anda mencantumkan nama penulis
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN PENENTUAN DOSEN PEMBIMBING DENGAN METODE LOGIKA FUZZY
SISTEM PENDUKUNG KEPUTUSAN PENENTUAN DOSEN PEMBIMBING DENGAN METODE LOGIKA FUZZY Ainul Yaqin 1), Ema Utami 2), Emha Taufiq Luthfi 3) 1,2,3 Magister Teknik informatika STMIK AMIKOM Yogyakarta 1,2,3 Jl Ring
Lebih terperinciPENENTUAN JUMLAH PRODUKSI DENGAN APLIKASI FUZZY-MAMDANI MENGGUNAKAN TOOL BOX- MATLAB 6.5.1
HALAMAN PENGESAHAN PENENTUAN JUMLAH PRODUKSI DENGAN APLIKASI FUZZY-MAMDANI MENGGUNAKAN TOOL BOX- MATLAB 6.5.1 (Studi kasus : PP. Burung Mas, Mojosongo) Tugas Akhir ini Telah Diterima dan Disyahkan Sebagai
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 terperinciMengukur Tingkat Kepuasan Mahasiswa Terhadap Kinerja Dosen Menggunakan Metode Fuzzy Mamdani
Seminar Nasional Teknologi Informatika, "The Future of Computer Vision", 27, ISBN : 978-62-56--7 Mengukur Tingkat Kepuasan Mahasiswa Terhadap Kinerja Dosen Menggunakan Metode Fuzzy Mamdani Sepri Yanti
Lebih terperinci