BAB II LANDASAN TEORI. Pada bab ini akan dibahas mengenai teori-teori yang akan digunakan untuk menunjang dalam proses pembuatan tugas akhir ini.
|
|
- Ivan Hermawan
- 6 tahun lalu
- Tontonan:
Transkripsi
1 BAB II LANDASAN TEORI Pada bab ini akan dibahas mengenai teori-teori yang akan digunakan untuk menunjang dalam proses pembuatan tugas akhir ini. 2.1 CLUSTERING Clustering adalah proses pengelompokkan suatu set obyek berdasarkan kesamaan karakteristik yang dimiliki masing masing obyek sehingga membentuk kelas-kelas yang terdiri dari obyek-obyek yang sama (Modul Data Mining PENS- ITS, ). Dengan proses clustering ini dimungkinkan dalam satu cluster yang baik obyek-obyeknya akan memiliki kesamaan yang tinggi dan memiliki perbedaan yang tinggi pula terhadap obyek-obyek anggota cluster lainnya. Lihat gambar 2.1. Gambar 2.1 Data sebelum dilakukan proses clustering. Jika data pada gambar 2.1 dilakukan clustering (pengelompokan) berdasarkan warna, maka pengelompokkannya seperti terlihat pada gambar 2.2. Selain menggunakan kesamaan warna dan bentuk, clustering juga bisa dilakukan berdasarkan jarak seperti pada gambar 2.3, artinya data yang memiliki jarak berdekatan akan menjadi satu cluster. 5
2 6 Gambar 2.2 Clustering berdasarkan kesamaan warna. Gambar 2.3 Proses clustering berdasarkan kesamaan jarak. Ada beberapa karakteristik clustering, diantaranya: 1. Partitioning Clustering a. Disebut juga exclusive clustering. b. Setiap data harus termasuk ke cluster tertentu. c. Memungkinkan bagi setiap data yang termasuk cluster tertentu pada suatu tahapan proses, pada tahapan berikutnya berpindah ke cluster lain. d. Contoh: K-Means. 2. Hierarchical Clustering a. Setiap data harus termasuk ke cluster tertentu. b. Suatu data yang termasuk ke cluster tertentu pada suatu tahapan proses, tidak dapat berpindah ke cluster lain.
3 7 c. Contoh: single linkage, centroid linkage. 3. Overlapping Clustering a. Setiap data memungkinkan termasuk ke beberapa cluster. b. Data mempunyai nilai keanggotaan pada beberapa cluster. c. Contoh: Fuzzy C-means. 4. Hybrid, merupakan kombinasi dari karakteristik partitioning, overlapping dan hierachical. Metode clustering pada dasarnya ada dua, yaitu metode Hierarchical Clustering dan Non Hierarchical Clustering. Perbedaanya pada Hierarchical Clustering informasi jumlah cluster belum ada sedangkan pada Non Hierarchical Clustering informasi ini sudah ditentukan sejak awal. 2.2 LOGIKA FUZZY Dalam kamus bahasa inggris, istilah fuzzy didefinisikan sebagai blurred (kabur atau remang-remang), indistinct (tidak jelas), imprecisely definied (didefinisikan tidak presisi), confused (membingungkan), atau vague (tidak jelas). Membaca definisi definisi istilah fuzzy tersebut, mungkin bagi mereka yang belum pernah mendengar istilah sistem fuzzy bisa saja menjadi salah mengerti. Dalam teori logika fuzzy, penggunaan istilah sistem fuzzy tidak dimaksudkan untuk mengacu pada sebuah sistem yang tidak jelas/kabur/remang-remang definisinya, cara kerjanya, atau deskripsinya. Sebaliknya, yang dimaksud dengan sistem fuzzy adalah sebuah sistem yang dibangun dengan definisi, cara kerja, dan deskripsi yang jelas berdasar pada teori logika fuzzy. Yang ingin ditekankan di sini adalah bahwa meskipun sebuah fenomena yang akan dimodelkan dengan sistem fuzzy adalah bersifat fuzzy, namun sistem fuzzy yang dibangun untuk memodelkan fenomena tersebut tetap mempunyai definisi cara kerja dan deskripsi yang jelas berdasar pada teori logika fuzzy. ( Agus Naba, 29:1)
4 8 Gambar 2.4 Contoh pemetaan input-output. Ada beberapa alasan kenapa orang menggunkan logika fuzzy, antara lain: 1. Konsep logika fuzzy mudah dimengerti. Konsep matematis yang mendasari penalaran fuzzy sangat sederhana dan mudah dimengerti. 2. Logika fuzzy sangat fleksibel. 3. Logika fuzzy memiliki toleransi terhadap data-data yang tidak tepat. 4. Logika fuzzy mampu memodelkan fungsi-fungsi nonlinear yang sangat kompleks. 5. Logika fuzzy dapat membangun dan mengaplikasikan pengalamanpengalaman para pakar secara langsung tanpa harus melalui proses pelatihan. 6. Logika fuzzy dapat bekerjasama dengan teknik-teknik kendali secara konvensional. 7. Logika fuzzy didasarkan pada bahasa alami. (Sri Kusumadewi dan Hari Purnomo,24:2-3) Himpunan Fuzzy Pada dasarnya, teori himpunan fuzzy merupakan perluasan dari teori himpunan kelasik. Pada teori himpunan kelasik (crisp), keberadaan suatu elemen pada suatu himpunan, A, hanya akan memiliki 2 kemungkinan keanggotaan, yaitu menjadi anggota A atau tidak menjadi anggota A (Chak, 1998). Suatu nilai yang menunjukan seberapa besar tinggkat keanggotaan suatu elemen (x) dalam suatu himpunan (A), sering disebut dengan nama nilai keanggotan atau derajat keanggotaan, dinotasikan dengan µ A (x). Pada himpunan kelasik, hanya ada 2 nilai
5 9 keanggotaan, yaitu µ A (x)=1 untuk x menjadi anggota A; dan µ A (x)= untuk x bukan anggota A. (Sri Kusumadewi dan Sri Hartati, 21:15) Contoh: Misalkan variabel umur dibagi 3 kategori, yaitu: 1) MUDA umur < 35 tahun 2) PAROBAYA 35 umur 55 tahun 3) TUA umur > 55 tahun MUDA PAROBAYA TUA Gambar 2.5 Himpunan: MUDA, PAROBAYA, dan TUA. Pada gambar 2.5, dapat dijelaskan bahwa: a. Apabila seseorang berusia 34 tahun, maka ia dikatakan MUDA (µ MUDA [34]= 1); b. Apabila seseorang berusia 35 tahun, maka ia dikatakan TIDAK MUDA (µ MUDA [35]= ); c. Apabila seseorang berusia 35 tahun kurang 1 hari, maka ia dikatakan TIDAK MUDA (µ MUDA [35-1 hari]= ); d. Apabila seseorang berusia 35 tahun, maka ia dikatakan PAROBAYA (µ PAROBAYA [35]= 1); e. Apabila seseorang berusia 34 tahun, maka ia dikatakan TIDAK PAROBAYA (µ PAROBAYA [34]= ); f. Apabila seseorang berusia 55 tahun, maka ia dikatakan PAROBAYA (µ PAROBAYA [55]= 1); g. Apabila seseorang berusia 35 tahun kurang 1 hari, maka ia dikatakan TIDAK PAROBAYA (µ PAROBAYA [35-1 hari]= ); (Sri Kusumadewi dan Hari Purnomo, 24:4-25) Dari sini bisa dikatakan bahwa pemakaian himpunan kelasik untuk menyatakan umur sangat tidak adil, adanya perubahan kecil saja pada suatu nilai mengakibatkan perbedaan kategori yang cukup signifikan.
6 1 Himpunan fuzzy digunakan untuk mengantisipasi hal tersebut. Seseorang dapat masuk dalam 2 himpunan yang berbeda, MUDA dan PAROBAYA, PAROBAYA dan TUA, dan lain sebagainya. Seberapa besar eksistensinya dalam himpunan tersebut dapat dilihat pada nilai keanggotaannya. Gambar 2.6 menunjukan himpunan fuzzy untuk variabel umur. Gambar 2.6 Himpunan Fuzzy untuk variabel umur. Pada gambar 2.6, dapat dilihat bahwa: a. Seseorang yang berumur 4 tahun, termasuk dalam himpunan MUDA dengan µ MUDA [4]=,25; namun dia juga termasuk dalam himpunan PAROBAYA dengan µ PAROBAYA [4]=,5. b. Seseorang yang berumur 5 tahun, termasuk dalam himpunan TUA dengan µ TUA [5]=,25; namun dia juga termasuk dalam himpunan PAROBAYA dengan µ PAROBAYA [5]=,5. Kalau pada himpunan kelasik, nilai keanggotaan hanya ada 2 kemungkinan, yaitu dan 1, maka pada himpunan fuzzy nilai keanggotaannya terletak pada rentang sampai dengan 1. Dalam himpunan fuzzy memiliki 2 atribut, yaitu: a. Linguistik, yaitu penamaan suatu grup yang mewakili suatu keadaan atau kondisi tertentu dengan menggunakan bahasa alami, seperti: TUA, MUDA, PAROBAYA. b. Numeris, yaitu suatu nilai (angka) yang menunjukan ukuran dari suatu variabel seperti: 4, 25, 35, 55, dan lain sebagainya.
7 11 Ada beberapa hal yang perlu diketahui dalam memahami sistem fuzzy, yaitu: a. Variabel fuzzy Variabel fuzzy merupakan variabel yang hendak dibahas dalam suatu sistem fuzzy. Contoh: umur, temperatur, gaji, dan lain sebagainya. b. Himpunan fuzzy Himpunan fuzzy merupakan suatu grup yang mewakili suatu kondisi atau keadaan tertentu dalam suatu variabel fuzzy. Contoh: a) Variabel umur, terbagi menjadi 3 himpunan fuzzy, yaitu: MUDA, PAROBAYA, dan TUA. b) Variabel emperatur, terbagi menjadi 5 himpunan fuzzy, yaitu: DINGIN, SEJUK, PANAS, NORMAL, dan HANGAT. 1 DINGIN SEJUK NORMAL HANGAT PANAS Gambar 2.7 Himpunan fuzzy pada variabel temperatur. c. Semesta pembicaraan Semesta pembicaraan adalah keseluruhan nilai yang diperbolehkan untuk dioperasikan dalam suatu variabel fuzzy. Semesta pembicaraan merupakan himpunan bilangan real yang senantiasa naik (bertambah) secara monoton dari kiri ke kanan. Nilai semesta pembicaraan dapat
8 12 berupa bilangan positif maupun negatif. Adakalanya nilai semesta pembicaraan ini tidak dibatasi batas atasnya. Contoh: a) Semesta pembicaraan untuk variabel umur: [,+ ]. b) Semesta pembicaraan untuk variabel temperatur: [, 4]. d. Domain Domain himpunan fuzzy adalah keseluruhan nilai yang diijinkan dalam semesta pembicaraan dan boleh dioperasikan dalam suatu himpunan fuzzy. Seperti halnya semesta pembicaraan, domain merupakan himpunan bilangan real yang senantiasa naik (bertambah) secara monoton dari kiri ke kanan. Nilai domain dapat berupa bilangan positif maupun negatif. Contoh: MUDA = [, 45] PAROBAYA = [35, 55] TUA = [45, + ] DINGIN = [, 2] SEJUK = [15, 25] NORMAL = [2, 3] HANGAT = [25, 35] PANAS = [3, 4] Dalam himpunan fuzzy dikenal fungsi keanggotaan, fungsi keanggotaan adalah suatu kurva yang menunjukan pemetaan titik-titik input data ke dalam nilai keanggotaannya (sering disebut juga derajat keanggotaan) yang memiliki interval antara sampai 1. Salah satu cara yang dapat digunakan untuk mendapatkan nilai keanggotaan adalah dengan melalui pendekatan fungsi. Ada beberapa fungsi yang bisa digunakan, yaitu: a. Representasi Linear Pada representasi linear, pemetaan input ke derajat keanggotaannya digambarkan sebagai suatu garis lurus. Bentuk ini paling sederhana dan menjadi pilihan yang paling baik untuk mendekati suatu konsep yang kurang jelas.
9 13 Ada 2 keadaan himpunan fuzzy yang linear. Pertama, kenaikan himpunan dimulai pada nilai domain yang memiliki derajat keanggotaan nol () bergerak ke kanan menuju nilai domain yang memiliki derajat keanggotaan lebih tinggi. 1 DERAJAT KEANGGOTAAN A DOMAIN B Gambar 2.8 Representasi linear naik. 1 DERAJAT KEANGGOTAAN A DOMAIN B Gambar 2.9 Representasi linear turun. b. Representasi Kurva Segitiga (linear). Kurva Segitiga pada dasarnya merupakan gabungan antara 2 garis
10 14 1 DERAJAT KEANGGOTAAN A B C DOMAIN Gambar 2.1 Kurva Segitiga. c. Representasi Kurva Trapesium Pada dasarnya kurva ini sama dengan kura segitiga, hanya saja ada beberapa titik yang memiliki nilai keanggotaan 1 (satu). 1 DERAJAT KEANGGOTAAN A B DOMAIN C D Gambar 2.11 Kurva Trapesium. d. Representasi Kurva Bentuk Bahu Himpunan fuzzy ini merupakan pengembangan dari representasi kurva segitiga, digunakan untuk mengakhiri variabel suatu daerah fuzzy.
11 15 BAHU KIRI BAHU KANAN 1 DINGIN SEJUK NORMAL HANGAT PANAS Gambar 2.12 Kurva bentuk bahu. e. Representasi Kurva-S Pemetaan input ke derajat keanggotaannya berhubungan dengan perubahan permukaan secara tak linear. Biasanya digunakan dalam kurva pertumbuhan dan penyusutan. 1 DERAJAT KEANGGOTAAN R1 RN DOMAIN Gambar 2.13 Kurva S (Sigmoid) pertumbuhan. 1 DERAJAT KEANGGOTAAN RI DOMAIN RJ Gambar 2.14 Kurva S (Sigmoid) penyusutan.
12 16 f. Representasi Kurva Bentuk Lonceng (bell Curve) Pemetaan input ke output, dengan memberikan secara spesifik sebuah titik pusat, dengan derajat keanggotaan 1 (ɤ), dan lebar kurva yang dipengaruhi oleh sebaran domain. PUSAT (ɤ) 1 DERAJAT KEANGGOTAAN RI ɤ+Β ɤ-Β DOMAIN Gambar 2.15 Kurva Lonceng. RJ g. Koordinat Keanggotaan Himpunan fuzzy yang berisi urutan pasangan berurutan yang berisi nilai domain dan kebenaran nilai anggotanya dalam bentuk (skalar; derajat). Dimana skalar adalah suatu nilai yang digambarkan dari domain himpunan fuzzy, sedangkan derajat skalar merupakan derajat keanggotaan himpunan fuzzynya. 1,5 A B C D F G H DOMAIN Gambar 2.16 Representasi koordinat keanggotaan.
13 17 Dalam hal ini penulis membagi nilai akademik kedalam 3 kategori yaitu, Buruk, Cukup, Baik. Contoh Matakuliah Pemrograman web 1 dengan nilai 2,75 dan derajat keanggotaan,75,,75, dan Jaringan Komputer 1 dengan nilai 2,25 derajat keanggotaan,75. Gambar Derajat keanggotaan Sistem Berbasis Aturan Fuzzy Suatu atu sistem fuzzy terdiri dari tiga komponen utama: Fuzzification, Inference, dan Defuzzification seperti terlihat dari gambar (Suyanto, 28:27-31) CRISP INPUT µ FUZZIFICATION FUZZY INPUT FUZZY RULES INFERENCE FUZZY OUTPUT OUTPUT µ DEFUZZIFICATION CRISP VALUE Gambar Sistem Berbasis Fuzzy.
14 18 1. Fuzzification Masukan-masukan yang nilai kebenarannya pasti (Crisp Input) dikonversi ke bentuk fuzzy input, yang berupa nilai linguistik yang semantiknya ditentukan berdasarkan fungsi keanggotaan. Misalnya, IPK= 2,99 dikonversi menjadi Bagus dengan derajat keanggotaan =, Inference Dalam suatu sistem berbasis aturan fuzzy, proses inference memperhitungkan semua aturan yang ada di dalam basis pengetahuan. Dengan melakukan Fuzzy inference, masukan-masukan akan dipetakan menjadi keluaran berdasarkan pengetahuan (IF-THEN rule) yang diberikan. Terdapat banyak model dalam melakukan inference diantaranya model Mamdani dan model Sugeno. 3. Defuzzification Dalam defuzzification nilai inputnya adalah himpunan fuzzy yang akan diproses menjadi keluaran berupa nilai crisp. Ada banyak metode yang digunakan dalam proses defuzzification diantaranya adalah Centroid method, Height method, First (or Last) of Maxima, Mean-Max method, Weight Average, dan lain sebagainya. 2.3 FUZZY C-MEANS Fuzzy Clustering adalah salah satu teknik untuk menentukan cluster optimal dalam suatu ruang vektor yang didasarkan pada bentuk formal Euclidian untuk jarak vektor. Fuzzy clustering sangat berguna bagi pemodelan fuzzy terutama dalam mengidentifikasi aturan-aturan fuzzy. (Sri Kusumadewi dan Hari Purnomo, 24:83-85) Ada beberapa algoritma data clustering, salah satu diantaranya adalah Fuzzy C-Means (FCM). Fuzzy C-Means (FCM) adalah salah satu teknik pengclusteran data yang mana keberadaan tiap-tiap titik data dalam suatu cluster ditentukan oleh derajat keanggotaan. Teknik ini pertama kali diperkenalkan oleh Jim Bezdek pada tahun 1981.
15 19 Konsep dasar FCM, pertama kali adalah menentukan pusat cluster, yang akan menandai lokasi rata-rata untuk tiap-tiap cluster. Pada kondisi awal, pusat cluster ini masih belum akurat. Tiap-tiap titik data memliki derajat keanggotaan untuk tiap-tiap cluster. Dengan cara memperbaiki pusat cluster dan derajat keanggotaan tiap-tiap titik data secara berulang, maka akan dapat dilihat bahwa pusat cluster akan bergerak menuju lokasi yang tepat. Perulangan ini didasarkan pada minimisasi fungsi obyektif yang menggambarkan jarak dari titik data yang diberikan ke pusat cluster yang terbobot oleh derajat keanggotaan titik data tersebut. Output dari FCM bukan merupakan fuzzy inference system (FIS), namun merupakan deretan pusat cluster dan beberapa derajat kenaggotaan untuk tiap-tiap titik data. Informasi ini dapat digunakan untuk membangun suatu fuzzy inference system (FIS). Algoritma Fuzzy C-Means (FCM) adalah sebagai berikut: 1. Input data yang akan dicluster X, berupa matriks berukuran n x m (n = jumlah sampel data, m = atribut setiap data). X ij = data sampel ke-i (i = 1, 2,..., n), atribut ke-j (j = 1, 2,..., m). 2. Tentukan: Jumlah Cluster = c; Pangkat = w; Maksimum Iterasi = MaxIter; Error terkecil yang diharapkan = ξ; Fungsi obyektif awal = P = ; Iterasi awal = t = 1; 3. Bangkitkan bilangan random µ ik, i = 1, 2,..., n; k = 1, 2,..., c; sebagai elemen-elemen matriks partisi awal U. Hitung jumlah setiap kolom (atribut): Persamaan 2.1 = dengan j = 1, 2,..., m. Hitung:
16 2 = Persamaan Hitung pusat cluster ke-k: V kj, dengan k = 1, 2,..., c; dan j = 1, 2,...,m. Persamaan 2.3 = (( ) ) ( ) 5. Hitung fungsi obyektif pada iterasi ke-t, P t : Persamaan 2.4 = 6. Hitung perubahan matriks partisi: = Persamaan Cek kondisi berhenti: a. Jika: ( Pt Pt -1 < ξ) atau (t > MaxIter) maka berhenti; b. Jika tidak: t = t + 1, ulangi langkah ke-4. Contoh kasus: Misalkan terdapat 15 sampel data dalam 2 variabel X 1 dan X 2 sebagaimana terlihat pada tabel 2.1. Tabel 2.1 Tabel sampel data. Data ke- Variabel X 1 X
17 21 Data-data tersebut akan dikelompokkan menjadi 3 cluster. Parameter yang digunakan dalam proses pengclusteran dengan menggunakan algoritma Fuzzy C- Means, adalah: a) Jumlah cluster yang akan dibentuk = C = 3 b) Pangkat (pembobot) = w= 2 c) Maksimum iterasi = MaxIter = 1 d) Kriteria penghentian (error terkecil) = ξ = 1-6 e) Fungsi obyektif awal = P = ; f) Iterasi awal = t = 1; Matriks partisi awal, U, dipilih secara acak, misalkan:,52,18,13,33,3,52,2,35,4,18,28,41,52,6,23 =,17,41,37,42,4,1,3,22,28,38,44,31,16,28,33,31,41,5,25,4,38,5,43,32,44,28,28,32,12,44 Sebagai catatan, jumlah setiap kolom pada matriks U harus sama dengan 1. Pusat cluster dihitung dengan menggunakan persamaan 2.3 Diperoleh: Diperoleh: = (( ) ) ( ) 9,4 8,7 7,99 = 12,62 1,15 11,12 Perbaiki matriks U dengan persamaan 2.5 =,25,22,23,21,24,19,21,52,9,45,7,4,43,91,48 =,4,42,45,14,42,5,44,22,4,25,33,25,27,3,24,35,36,32,65,34,31,35,26,6,3,6,35,3,6,28 Nilai obyektif yang diperoleh pada iterasi ke 2 ini adalah,7>ξ, sehingga proses diulangi lagi pada langkah ke 3.
18 22 Pada iterasi ke 2 didapat pusat cluster, V, sebagai berikut: 9,89 7,33 7,67 = 13,88 8,37 1,7 Demikian seterusnya, hingga terakhir pada iterasi ke 16, diperoleh pusat cluster, V, sebagai berikut: 12,84 3,83 8,63 = 18,27 3,59 11,82 Matriks partisi U diperbaiki menjadi:,1,1,6,1,1,1,2,93,8,84,4,21,84,3 1, =,95,96,6,,95,2,93,1,2,3,5,9,4,2,,4,3,88,99,4,7,5,6,9,13,91,7,12,95, Nilai obyektif pada iterasi ke 16 adalah 8,9 x 1-7 < ξ, sehingga proses iterasi dihentikan. Dari hasil tersebut bisa dilihat kecenderungan suatu data untuk masuk pada cluster tertentu seperti terlihat pada tabel 2.2. Tabel 2.2 Tabel kecenderungan cluster. Data ke- Matriks Partisi Kecenderungan Cluster C1 C2 C3 C1 C2 C3 1,1,95,4 * 2,1,96,3 * 3,6,6,88 * 4,1,,99 * 5,1,95,4 * 6,1,2,7 * 7,2,93,5 * 8,93,1,6 * 9,8,2,9 * 1,84,3,13 * 11,4,5,91 * 12,21,9,7 * 13,84,4,12 * 14,3,2,95 * 15 1,,, * 2.4 METODOLOGI WATERFALL (SEQUENTIAL LINEAR) Model Waterfall (Air Terjun) atau nama lainnya Sequential Linear Model merupakan model yang paling banyak diapakai dalam pengembangan perangkat lunak. Model ini melakukan pendekatan sistematis dan terurut dari mulai
19 23 kebutuhan sistem sampai pemeliharaan. Pada model ini secara umum ada 5 tahapan yang dilakukan yaitu: 1. Requierement definition (definisi kebutuhan). 2. System & software design (perancangan sistem dan perangkat lunak). 3. Implementation & unit testing (implementasi dan testing). 4. Integration & system testing (integrasi dan sistem testing). 5. Operation & maintenance (operasi dan pemeliharaan). Gambar Metode Waterfall (air terjun) kelasik. Kemudian model ini direvisi menjadi 4 tahapan: 1. Analysis (analisis). 2. Design (perancangan). 3. Code (pengkodean). 4. Test (tes). Dimana Analisis dan design merupakan satu kesatuan dalam pemodelan sistem informasi. Gambar 2.2 Metode Waterfall yang direvisi (Sequential Linear).
20 24 Keunggulan waterfall antara lain: 1. Lebih disiplin. 2. Dorongan bahwa dokumentasi selalu tersedia untuk setiap tahapan. 3. Dorongan bahwa setiap produk yang dihasilkan selalu dicek. Kekurangan pada model waterfall antara lain: 1. Bersifat kurang luwes dalam menerima perubahan. 2. Hanya cocok digunakan bila kebutuhan pengguna sudah dimengerti dengan baik. 2.5 MICROSOFT VISUAL BASIC.NET 28 Versi ini merupakan versi Visual Basic.NET yang dirilis oleh Microsoft pada tanggal 19 November 27, bersamaan dengan dirilisnya Microsoft Visual C# 28, Microsoft Visual C++ 28, dan Microsoft.NET Framework 3.5. (Wikipedia, 211) Dalam versi ini, Microsoft menambahkan banyak fitur baru, termasuk di antaranya adalah: 1. Operator If sekarang merupakan operator ternary (membutuhkan tiga operand), dengan sintaksis If (boolean, nilai, nilai). Ini dimaksudkan untuk mengganti fungsi IIF. 2. Dukungan anonymous types. 3. Dukungan terhadap Language Integrated Query (LINQ). 4. Dukungan terhadap ekspresi Lambda. 5. Dukungan terhadap literal XML. 6. Dukungan terhadap inferensi tipe data. 7. dukungan terhadap 'LINQ'.
BAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Sistem Pendukung Keputusan Sebuah aplikasi berupa Sistem Pendukung Keputusan (Decision Support System) mulai dikembangkan pada tahun 1970. Decision Support Sistem (DSS) dengan
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 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 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 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 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 terperinciErwien Tjipta Wijaya, ST.,M.Kom
Erwien Tjipta Wijaya, ST.,M.Kom PENDAHULUAN Logika Fuzzy pertama kali dikenalkan oleh Prof. Lotfi A. Zadeh tahun 1965 Dasar Logika Fuzzy adalah teori himpunan fuzzy. Teori himpunan fuzzy adalah peranan
Lebih terperinciLOGIKA FUZZY. 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 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 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 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 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 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 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 terperinciBAB 2 LANDASAN TEORI
6 BAB 2 LANDASAN TEORI 2.1 Logika Fuzzy 2.1.1 Pendahuluan Titik awal dari konsep modern mengenai ketidakpastian adalah paper yang dibuat oleh Lofti A Zadeh, di mana Zadeh memperkenalkan teori yang memiliki
Lebih terperinciMENENTUKAN HARGA MOBIL BEKAS TOYOTA AVANZA MENGGUNAKAN METODE TSUKAMOTO
MENENTUKAN HARGA MOBIL BEKAS TOYOTA AVANZA MENGGUNAKAN METODE TSUKAMOTO Ganjar Ramadhan Jurusan Teknik Informatika, Universitas Islam Negeri Syarif Hidayatullah Jakarta Email : ganjar.ramadhan05@yahoo.com
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 terperinciCLUSTERING KARYAWAN BERDASARKAN KINERJA DENGAN MENGGUNAKAN LOGIKA FUZZY C-MEAN
CLUSTERING KARYAWAN BERDASARKAN KINERJA DENGAN MENGGUNAKAN LOGIKA FUZZY C-MEAN Fitri Wulandari, Rinto Setiawan Jurusan Teknik Informatika Fakultas Sains dan Teknologi Universitas Islam Negeri Sultan Syarif
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 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 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 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 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 terperinciMATERI KULIAH (PERTEMUAN 12,13) Lecturer : M. Miftakul Amin, M. Eng. Logika Fuzzy. Politeknik Negeri Sriwijaya Palembang
HIMPUNAN FUZZY MATERI KULIAH (PERTEMUAN 2,3) Lecturer : M. Miftakul Amin, M. Eng. Logika Fuzzy Jurusan Teknik Komputer Politeknik Negeri Sriwijaya Palembang Pokok Bahasan Sistem fuzzy Logika fuzzy Aplikasi
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 terperinciAplikasi Prediksi Harga Bekas Sepeda Motor Yamaha. Menggunakan Fuzzy Logic
Aplikasi Prediksi Harga Bekas Sepeda Motor Yamaha Menggunakan Fuzzy Logic 1. Pendahuluan Jual beli motor merupakan suatu kegiatan transaksi yang mungkin sering kita temukan di kehidupan sehari-hari. Untuk
Lebih terperinciHimpunan Tegas (Crisp)
Logika Fuzzy Logika Fuzzy Suatu cara untuk merepresentasikan dan menangani masalah ketidakpastian (keraguan, ketidaktepatan, kekuranglengkapan informasi, dan kebenaran yang bersifat sebagian). Fuzzy System
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 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 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 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 FUNGSI KEANGGOTAAN
LOGIKA FUZZY FUNGSI KEANGGOTAAN FUNGSI KEANGGOTAAN (Membership function) adalah suatu kurva yang menunjukkan pemetaan titik-titik input data ke dalam nilai/derajat keanggotaannya yang memiliki interval
Lebih 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 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 terperinciPerancangan Aplikasi Rekomendasi Pemilihan Lokasi Rumah dengan Memanfaatkan Fuzzy Database Metode Tahani
Perancangan Aplikasi Rekomendasi Pemilihan Lokasi Rumah dengan Memanfaatkan Fuzzy Database Metode Tahani 23 Sathya Adi Dharma Program Studi Teknik Informatika Fakultas Teknologi Informasi Institut Informatika
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Metode Peramalan Peramalan (forecasting) adalah kegiatan untuk memperkirakan apa yang akan terjadi di masa yang akan datang. Sedangkan ramalan adalah situasi atau kondisi yang
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 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 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 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 terperinciProf. Erich P., Johannes Kepler Univ. Suyanto, Artificial Intelligence
Prof. Erich P., Johannes Kepler Univ. Suyanto, Artificial Intelligence 12/11/2009 1 Pada hidup sehari-hari, kita terbiasa dengan ucapan kecil, agak panas, sekitar jam 2. Ucapan yang tidak presisi (imprecise
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA Bab ini berisi tentang pemahaman dari logika fuzzy dan data mining. Pada bab ini juga akan dijelaskan bagian-bagian yang perlu diketahui dalam logika fuzzy dan data mining, sehingga
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Himpunan Himpunan adalah kata benda yang berasal dari kata himpun. Kata kerjanya adalah menghimpun. Menghimpun adalah kegiatan yang berhubungan dengan berbagai objek apa saja.
Lebih terperinciSISTEM INFERENSI FUZZY (METODE TSUKAMOTO) UNTUK PENENTUAN KEBUTUHAN KALORI HARIAN OLEH
KECERDASAN BUATAN SISTEM INFERENSI FUZZY (METODE TSUKAMOTO) UNTUK PENENTUAN KEBUTUHAN KALORI HARIAN OLEH AMARILIS ARI SADELA (E1E1 10 086) SITI MUTHMAINNAH (E1E1 10 082) SAMSUL (E1E1 10 091) NUR IMRAN
Lebih terperinciBAB 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 terperinciPENGARUH IPK DAN MOTIVASI DALAM MEMPREDIKSI KETEPATAN WAKTU KELULUSAN MAHASISWA DENGAN MENGGUNAKAN SISTEM PAKAR BERBASIS ADAPTIVE NEURO FUZZY
Seminar Nasional Sistem Informasi Indonesia, 2-4 Desember 2013 PENGARUH IPK DAN MOTIVASI DALAM MEMPREDIKSI KETEPATAN WAKTU KELULUSAN MAHASISWA DENGAN MENGGUNAKAN SISTEM PAKAR BERBASIS ADAPTIVE NEURO FUZZY
Lebih terperinciKECERDASAN BUATAN LOGIKA FUZZY
KECERDASAN BUATAN LOGIKA FUZZY Pengertian adalah suatu cara untuk memetakan suatu ruang input ke dalam suatu ruang output. Skema logika fuzzy Antara input dan output terdapat suatu kotak hitam yang harus
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN DASAR TEORI. Dalam tinjauan pustaka dibawah ini terdapat 5 referensi dan 1 referensi dari
BAB II TINJAUAN PUSTAKA DAN DASAR TEORI 1.1 Tinjauan Pustaka Dalam tinjauan pustaka dibawah ini terdapat 5 referensi dan 1 referensi dari penulis sebagai berikut: Tabel 2.1 Perbandingan Metode Penelitian
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 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 LANDASAN TEORI 2.1 Konsep Dasar Sistem Definisi Sistem
BAB 2 LANDASAN TEORI 2.1 Konsep Dasar Sistem 2.1.1 Definisi Sistem Menurut Mustakini (2009:34), Sistem dapat didefinisikan dengan pendekatan prosedur dan pendekatan komponen, sistem dapat didefinisikan
Lebih terperinciInstitut Teknologi Sepuluh Nopember Surabaya
Aplikasi Sistem Inferensi Fuzzy Metode Sugeno dalam Memperkirakan Produksi Air Mineral dalam Kemasan Oleh Suwandi NRP 1209201724 Dosen Pembimbing 1. Prof. Dr M. Isa Irawan, MT 2. Dr Imam Mukhlash, MT Institut
Lebih 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 terperinciMETODOLOGI PENELITIAN
7 terboboti dari daerah output fuzzy. Metode ini paling dikenal dan sangat luas dipergunakan. First of Maxima (FoM) dan Last of Maxima (LoM) Pada First of Maxima (FoM), defuzzifikasi B( y) didefinisikan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Sistem Pendukung Keputusan Sistem Pendukung Keputusan dapat diartikan sebagai sebuah sistem yang dimaksudkan untuk mendukung para pengambil keputusan dalam situasi tertentu. Sistem
Lebih terperinciPENENTUAN JUMLAH PRODUKSI TELEVISI MERK X MENGGUNAKAN METODE FUZZY MAMDANI
PENENTUAN JUMLAH PRODUKSI TELEVISI MERK X MENGGUNAKAN METODE FUZZY MAMDANI Ahmad Mufid Program Studi Sistem Komputer Fakultas Teknik Universitas Sultan Fatah (UNISFAT) Jl. Sultan Fatah No. 83 Demak Telpon
Lebih terperinciPenerapan Metode Fuzzy Mamdani Pada Rem Otomatis Mobil Cerdas
Penerapan Metode Fuzzy Mamdani Pada Rem Otomatis Mobil Cerdas Zulfikar Sembiring Jurusan Teknik Informatika, Fakultas Teknik, Universitas Medan Area zoelsembiring@gmail.com Abstrak Logika Fuzzy telah banyak
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1 Logika Fuzzy Zadeh (1965) memperkenalkan konsep fuzzy sebagai sarana untuk menggambarkan sistem yang kompleks tanpa persyaratan untuk presisi. Dalam jurnalnya Hoseeinzadeh et
Lebih 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 terperinciBAB II TINJAUAN PUSTAKA
5 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 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 terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Persediaan 2.1.1 Pengertian Persediaan Persediaan adalah bahan atau barang yang disimpan yang akan digunakan untuk digunakan memenuhi tujuan tertentu, misalnya untuk proses produksi
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 SISTEM PENDUKUNG KEPUTUSAN Sistem pendukung keputusan pertama kali diperkenalkan pada awal tahun 1970 oleh Michael S. Scott dengan istilah management decision system yang merupakan
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Sistem Pendukung Keputusan Scot Morton adalah orang yang pertama kali mengartikulasikan konsep Decision Support System (DSS), mendefenisikan DSS sebagai sistem berbasis komputer
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 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 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 terperinciLogika fuzzy pertama kali dikembangkan oleh Lotfi A. Zadeh melalui tulisannya pada tahun 1965 tentang teori himpunan fuzzy.
LOGIKA FUZZY UTHIE Intro Pendahuluan Logika fuzzy pertama kali dikembangkan oleh Lotfi A. Zadeh melalui tulisannya pada tahun 1965 tentang teori himpunan fuzzy. Lotfi Asker Zadeh adalah seorang ilmuwan
Lebih terperinciProsiding Seminar Sains dan Teknologi FMIPA Unmul Vol. 1 No. 2 Desember 2015, Samarinda, Indonesia ISBN :
Clustering Data Status Tugas Belajar Dan Ijin Belajar Menggunakan Metode Fuzzy C-Means (Studi Kasus : Di Lingkungan Pemerintah Provinsi Kalimantan Timur) Fevin Triyas Rantika 1, Indah Fitri Astuti, M.Cs
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 terperinciLogika fuzzy pertama kali dikembangkan oleh Lotfi A. Zadeh melalui tulisannya pada tahun 1965 tentang teori himpunan fuzzy.
LOGIKA FUZZY UTHIE Pendahuluan Logika fuzzy pertama kali dikembangkan oleh Lotfi A. Zadeh melalui tulisannya pada tahun 1965 tentang teori himpunan fuzzy. Lotfi Asker Zadeh adalah seorang ilmuwan Amerika
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 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 terperinciPENENTUAN NILAI PANGKAT PADA ALGORITMA FUZZY C- MEANS
PENENTUAN NILAI PANGKAT PADA ALGORITMA FUZZY C- MEANS WULAN ANGGRAENI wulangussetiyo@gmail.com Program Studi Pendidikan Matematika Universitas Indraprasta PGRI Abstract. The purpose of this study was to
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. Tingkat kesehatan bank dapat diketahui dengan melihat peringkat
BAB IV HASIL DAN PEMBAHASAN A. Analisis Tingkat Kesehatan Bank Tingkat kesehatan bank dapat diketahui dengan melihat peringkat komposit bank tersebut. Menurut peraturan Bank Indonesia No. 13/1/PBI/2011
Lebih 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 II TINJAUAN TEORITIS
BAB II TINJAUAN TEORITIS 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 terperinciBAB 2 TINJAUAN PUSTAKA
4 BAB 2 TINJAUAN PUSTAKA 2. 1. Fuzzy Logic Fuzzy logic pertama kali dikembangkan oleh Lotfi A. Zadeh pada tahun 1965. Teori ini banyak diterapkan di berbagai bidang, antara lain representasi pikiran manusia
Lebih terperinciANALISA SISTEM PENILAIAN TINGKAT KUALITAS PENGAJAR MENGGUNAKANLOGIKA FUZZY MAMDANI (STUDI KASUS PADA POLIBAN)
Jurnal INTEKNA (Edisi Khusus), Tahun XIII, No. 3, Desember 23 : 279-285 ANALISA SISTEM PENILAIAN TINGKAT KUALITAS PENGAJAR MENGGUNAKANLOGIKA FUZZY MAMDANI (STUDI KASUS PADA POLIBAN) Lea Emilia Farida ()
Lebih terperinciBAB 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 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 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 II. KAJIAN PUSTAKA. A. Kinerja Pegawai di Universitas Muhammadiyah Purwokerto
BAB II. KAJIAN PUSTAKA A. Kinerja Pegawai di Universitas Muhammadiyah Purwokerto Masalah kinerja pegawai di Universitas Muhammadiyah Purwokerto sangat mendapat perhatian. Hal ini dibuktikan dengan diadakannya
Lebih terperinciFuzzy Set Logika Fuzzy Fuzzy System
Fuzzy Set Logika Fuzzy Fuzzy System 1 Crisp Set Crisp set membedakan anggota dan non anggota dengan batasan pasti Misalkan A sebuah crisp set dan x anggota A maka : A [x]=1 Jika y bukan anggota A maka
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 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 terperinciBab III TEORI DAN PENGONTOR BERBASIS LOGIKA FUZZI
Bab III TEORI DAN PENGONTOR BERBASIS LOGIKA FUZZI III.1 Teori Logika fuzzi III.1.1 Logika fuzzi Secara Umum Logika fuzzi adalah teori yang memetakan ruangan input ke ruang output dengan menggunakan aturan-aturan
Lebih terperinciBAB 2 LANDASAN TEORI
6 BAB 2 LANDASAN TEORI 2.1. Algoritma dan Pemrograman Terhadap berbagai masalah yang timbul perlu dicarikan pemecahannya sehingga dapat memberikan solusi yang benar atau yang paling benar. Berbicara mengenai
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Komponen Mobil Mesin terdiri atas beberapa bagian yang memiliki fungsinya masingmaning. Bagian-bagian atau komponen-komponen tersebut bekerja bersama-sama untuk menghasilkan
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 terperinciNURAIDA, IRYANTO, DJAKARIA SEBAYANG
Saintia Matematika Vol. 1, No. 6 (2013), pp. 543 555. ANALISIS TINGKAT KEPUASAN KONSUMEN BERDASARKAN PELAYANAN, HARGA DAN KUALITAS MAKANAN MENGGUNAKAN FUZZY MAMDANI (Studi Kasus pada Restoran Cepat Saji
Lebih terperinciBAB II LANDASAN TEORI. Dalam bab ini dibahas beberapa definisi dan konsep-konsep yang
BAB II LANDASAN TEORI Dalam bab ini dibahas beberapa definisi dan konsep-konsep yang digunakan untuk membahas aplikasi PLFTG untuk investasi portofolio saham. A. Pemrograman Linear Pemrograman matematis
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 terperinciIMPLEMENTASI ALGORITMA LOGIKA FUZZY PADA PROSES SELEKSI PENERIMAAN MAHASISWA BARU (Diterapkan Pada Politeknik Kotabaru)
ISSN: 1410-2331 IMPLEMENTASI ALGORITMA LOGIKA FUZZY PADA PROSES SELEKSI PENERIMAAN MAHASISWA BARU (Diterapkan Pada Politeknik Kotabaru) Triyanto Pangaribowo Program Studi Teknik Elektro, Fakultas Teknik
Lebih terperinciRANCANG BANGUN SISTEM PENGUNDIAN SEPAKBOLA MENGGUNAKAN LOGIKA FUZZY
RANCANG BANGUN SISTEM PENGUNDIAN SEPAKBOLA MENGGUNAKAN LOGIKA FUZZY Irving Vitra Paputungan, Denni Irawan Jurusan Teknik Informatika, Fakultas Teknologi Industri, Universitas Islam Indonesia Jl. Kaliurang
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 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 terperinciLogika Himpunan Fuzzy
Logika Himpunan Fuzzy 1 Fungsi Keanggotaan untuk crisp logic True False 1 0 80F Panas Temperature f temperature >= 25C, Panas (1 atau Benar); f temperature < 25C, tidak Panas (0 atau Salah). Fungsi keanggotaan
Lebih terperinciAPLIKASI BERBASIS WEB PEMILIHAN OBYEK PARIWISATA DI YOGYAKARTA MENGGUNAKAN METODE TAHANI
APLIKASI BERBASIS WEB PEMILIHAN OBYEK PARIWISATA DI YOGYAKARTA MENGGUNAKAN METODE TAHANI Hafsah1), Wilis Kaswidjanti2), Tendi R. Cili3) 1,2,3) Jurusan Teknik Informatika UPN "Veteran" Yogyakarta Jl. Babarsari
Lebih terperinci