DECISION SUPPORT SYSTEM TOOL UNTUK FUZZY INFERENCE DENGAN METODE MAMDANI, SUGENO, DAN TSUKAMOTO
|
|
- Johan Lesmono
- 6 tahun lalu
- Tontonan:
Transkripsi
1 DECISION SUPPORT SYSTEM TOOL UNTUK FUZZY INFERENCE DENGAN METODE MAMDANI, SUGENO, DAN TSUKAMOTO Gunawan 1), C. Pickerling 2) Jurusan Teknik Informatika, Sekolah Tinggi Teknik Surabaya Jl. Ngagel Jaya Tengah Surabaya Telp : (031) , Fax : (031) gunawan@stts.edu 1), ling_pick@yahoo.com 2) Abstract This paper provides the development of a software for Decision Support System which uses fuzzy inference. The applied methods are: Mamdani, Sugeno, Tsukamoto. For gaining maximum functionality, the software which are developed can be of use for general purpose, so that user can use it for various cases from any disciplines, as long as the solution indeed requires fuzzy inference. The given input is the numeric limit for all linguistic variables for each label -- both the antecedent or consequent -- and the chosen membership function. The other input comes in the form of knowledge which are offered with a number of If-Then rules. The system output is the crisp value prediction for a label. Mostly, the system consists of three main processes, such as fuzzification, rule evaluation, defuzzification. The offered system has a number of additional features, such as saving all the complete input data: label, limits and the linguistic variables, each rule and the calculation result. Visualization in the forms of curves for membership function for each of the variable are also available. Other than being used for problem solving by directly giving the parameters, the system also allows user to change the parameters to the inference behaviors interactively. Thus the functionality of a decision support system in accommodating the what-if aspects should be fulfilled by using this tool. As for Mamdani and Tsukamoto methods, the available rules in the forms of labels pairing and linguistic variables, while for Sugeno method -- which can still be divided into Sugeno Orde-One and Sugeno Orde-Zero -- allows the extension of capabilities for expressing the knowledge in each of its rules for Sugeno Orde-Zero a constant value can be included in the rules, while for Sugeno Orde-One, the rules might include a number of simple arithmetic folmulas. Keywords: Decision Support System, Fuzzy, Mamdani, Sugeno, Tsukamoto. Abstrak Tulisan ini menyajikan salah satu pengembangan sebuah software untuk decision support system yang menggunakan fuzzy inference dimana terjadi proses perumusan dari sebuah input yang diberikan ke sebuah output dengan menggunakan logika fuzzy. Metode yang dapat diimplementasikan ke dalam logika fuzzy adalah: Mamdani, Sugeno, dan Tsukamoto. Untuk memperoleh fungsionalitas yang maksimal, software yang dikembangkan bersifat general purpose, sehingga user dapat memanfaatkannya untuk berbagai kasus dari disiplin apapun, selama penyelesaiannya memang membutuhkan inferensi fuzzy. Input yang diberikan adalah batasan numerik untuk semua variabel linguistik yang mewakili masing-masing label -- baik untuk antecedent ataupun consequent -- dan membership function yang dipilih. Input lainnya berupa pengetahuan yang disajikan dengan sejumlah rule If-Then. Output sistem adalah prediksi nilai crisp untuk sebuah label. Secara garis besar sistem terdiri atas tiga proses utama, yaitu: fuzzifikasi, evaluasi rule dan defuzzifikasi. Sistem yang ditawarkan memiliki sejumlah fitur tambahan seperti penyimpanan semua kelengkapan data input: label, batasan, dan variabel linguistiknya, setiap aturan, dan hasil perhitungan. Visualisasi berupa kurva untuk membership function setiap variabelnya juga disediakan. Selain dapat dipakai untuk memecahkan sebuah masalah dengan pemberian parameternya secara langsung, sistem juga memungkinkan user secara interaktif melakukan perubahan parameternya sampai perilaku inferensinya sesuai dengan yang diharapkan. Dengan demikian fungsionalitas sebuah decision support system dalam mengakomodasi aspek what-if diharapkan akan tercapai melalui tool ini. Untuk metode Mamdani dan Tsukamoto, aturan-aturan yang digunakan berupa pasangan label dan variabel linguistik yang diberikan sebelumnya, sedangkan metode Sugeno -- yang masih dibagi menjadi dua pendekatan: Sugeno Orde-Nol dan Sugeno Orde-Satu -- memungkinkan perluasan kapabilitas untuk mengekspresikan pengetahuan dalam rule-rulenya. Pada Sugeno Orde-Nol, ke dalam aturannya dapat dilibatkan sebuah konstanta untuk koefisien, sedangkan pada Sugeno Orde-Satu, aturan dapat melibatkan juga sejumlah formula aritmatika sederhana.
2 Keyword : Decision Support System, Fuzzification, Defuzzification, Mamdani, Sugeno, Tsukamoto. 1. PENDAHULUAN Decision Support System adalah sebuah proses yang membahas tentang teknologi untuk mempelajari dan mengembangkan aplikasi Sistem Penunjang Keputusan (SPK), dimana pengambilan keputusan tidak lagi ditunjang hanya oleh intuisi pimpinan (manager) melainkan ditunjang oleh hasil analisis dari kumpulan data yang ada. Beberapa keputusan managerial secara ilmiah merupakan keputusan kualitatif dan memerlukan pengetahuan untuk melakukan penilaian yang dimiliki pakar manusia. Jadi, perlu untuk menggabungkan pengetahuan ini dalam mengembangkan sistem pendukung keputusan. Sistem yang mengintegrasikan pengetahuan dari pakar disebut KBDSS (Sistem Pendukung Keputusan Berbasis Pengetahuan) atau biasa disebut dengan Sistem Pendukung Keputusan Cerdas (IDSS). Salah satu sistem pendukung keputusan berbasis pengetahuan yang ditawarkan kepada manager suatu perusahaan adalah menggunakan fuzzy inference. Fuzzy inference adalah proses perumusan dalam pemetaan dari sebuah input yang diberikan ke sebuah output dengan menggunakan logika fuzzy. Ada 3 tipe sistem fuzzy inference yang dapat diimplementasikan ke dalam logika fuzzy, yaitu: tipe Mamdani, tipe Sugeno, dan tipe Tsukamoto. Pada umumnya ke 3 tipe fuzzy inference ini outputnya ditentukan. Logika fuzzy dapat bermanfaat karena merupakan suatu cara yang efektif dan akurat untuk mendeskripsikan persepsi manusia terhadap persoalan pengambilan keputusan dan memiliki toleransi terhadap data-data yang ada. Adapun beberapa alasan mengapa orang menggunakan fuzzy inference, yaitu: 1. Konsep yang digunakan pada system fuzzy inference ini berupa logika fuzzy yang 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 atau ambigu. 4. Logika fuzzy didasarkan pada bahasa alami. 2. LANDASAN TEORI Terdapat dua teori yang mendukung pembuatan program ini. Berikut ini akan dijelaskan secara singkat mengenai Decision Support System, Fuzzy Logic, Fuzzy Inference Decision Support System Decision Support System adalah sebuah proses memilih tindakan (diantara berbagai alternatif) untuk mencapai suatu tujuan atau beberapa tujuan. Menurut Simon (1977), pengambilan keputusan dengan adanya fungsi manajerial dalam hal perencanaan sangat berperan aktif. Perencanaan meliputi satu seri keputusan; apa yang harus dilakukan? kapan? dimana? mengapa? oleh siapa? dan bagaimana?. Seorang Manajer menentukan tujuan atau rencana. Karena itu, perencanaan dan kontrol, juga melibatkan pengambilan keputusan. Dalam pengambilan keputusan juga dibutuhkan sebuah sistem dalam pelaksanaannya. Sistem adalah sebuah kumpulan objek seperti orang, sumber daya, konsep, dan prosedur yang dimaksudkan untuk melakukan suatu fungsi yang dapat diidentifikasi atau untuk melayani suatu tujuan. Sebagai contoh: Sebuah universitas adalah suatu sistem yang terdiri atas mahasiswa, fakultas, staf, administrasi, gedung, perlengkapan, ide-ide, dan aturan yang bertujuan untuk mendidik mahasiswa, menghasilkan riset dan memberikan layanan kepada komunitas (sistem lain). Definisi yang jelas mengenai tujuan sistem merupakan pertimbangan kritis dalam mendisain sistem pendukung manajemen (MSS). Sistem dibagi menjadi tiga bagian berbeda: input, proses dan output Fuzzy Logic Pada Pertengahan tahun 1960, Profesor Lotfi Zadeh dari Universitas California di Barkelay memperkenalkan logika fuzzy sebagai suatu media untuk menangani dan memproses linguistic information. Zadeh menyimpulkan bahwa nilai true atau false pada logika ompute tidak memperhitungkan banyaknya perbedaan yang ada pada dunia nyata. Untuk menghitung gradasi yang tidak terhingga antara true dan false, Zadeh menggunakan gagasan dari himpunan klasik menjadi suatu hal yang dinamakan himpunan fuzzy. Tidak seperti halnya dengan logika ompute yang hanya mempunyai dua nilai (True dan False; 0 dan 1), logika fuzzy mempunyai banyak nilai. Logika Boolean Logika Fuzzy Gambar 1. Logika Boolean dan Logika Fuzzy
3 Dengan menggunakan logika fuzzy, pabrik, pembuat software dan pendesain aplikasi dapat menghasilkan mesin yang mampu memberikan respon yang lebih cerdas pada kondisi tertentu. Beberapa kesamaan antar kemampuan mesin akan mengurangi kebutuhan pada ompute eksternal yang komplek, dan membantu omputer berbaur dengan susunan kehidupan manusia sehari-hari. Penggunaan logika fuzzy untuk mendapatkan solusi yang tepat pada sebuah masalah yang spesifik biasanya melalui tiga langkah berikut, yaitu: 1. Proses fuzzifikasi, dimana pada tahap awal ini dilakukan proses penentuan label, domain, fungsi keanggotaan yang selanjutnya merupakan model dari fuzzy. 2. Proses evaluasi rule, dimana pada tahap yang kedua ini akan di bentuk suatu aturan rule yang didapatkan dari proses fuzzifikasi. 3. Proses defuzzifikasi, dimana dalam tahap akhir ini akan dihasilkan fuzzy output yang dimaksud Fuzzy Inference Sistem Fuzzy inference adalah sebuah model pola pada komputer berdasarkan teori fuzzy set, fuzzy dengan aturan If-Then, fuzzy reasoning (yang beralasan). Terdapat beberapa aplikasi yang menggunakan fuzzy inference system yaitu: data klasifikasi, analisis keputusan, expert system, suatu persoalan yang diprediksikan dengan waktu, pengenalan pola dan robotic. Dalam beberapa pembahasan, fuzzy inference sering disebut juga sebagai fuzzy rulebased system, fuzzy model, fuzzy associative memory, fuzzy logic controller and fuzzy system. Berikut ini merupakan struktur dari fuzzy inference: Rule base menggunakan aturan fuzzy set Dictionary menetapkan fungsi membership yang digunakan dalam aturan fuzzy. A reasoning mechanism melakukan procedure dari inference (mengambil sebuah kesimpulan dari fakta maupun aturan). Pada system fuzzy inference ini, dibagi menjadi beberapa metode dalam menyelesaikan permasalahan yaitu dengan cara menggunakan metode Mamdani, metode Sugeno, dan metode Tsukamoto. Ebrahim Mamdani pada tahun Pada metode Mamdani, baik input (anteseden) maupun output (konsekuen) sistem berupa himpunan fuzzy. Untuk mendapatkan output, diperlukan empat tahapan, yaitu: pembentukan himpunan fuzzy, aplikasi fungsi implikasi (aturan), komposisi aturan dan penegasan. Pada komposisi aturan ini, terdapat tiga metode yang digunakan untuk melakukan sistem fuzzy inferensi, yaitu max, additive, dan probabilistik OR (probor). Sedangkan pada penegasan atau defuzzy, terdapat empat metode, yaitu: centroid, mean of maximum, largest of maximum, dan smallest of maximum. Pada metode Max, solusi himpunan fuzzy diperoleh dengan cara mengambil nilai maksimum aturan, kemudian menggunakannya untuk memodifikasi daerah fuzzy, dan mengaplikasikannya ke output dengan menggunakan operator OR (union). Jika semua proposisi telah di evaluasi, maka output akan berisi suatu himpunan fuzzzy yang merefleksikan konstribusi dari tiap-tiap proposisi. Secara umum juga dapat dituliskan sebagai berikut : μ sf [x i ] = max( μ sf [x i ], μ kf [x i ] ) dengan: μ sf [x i ] = nilai keanggotaan solusi fuzzy sampai μ kf [x i ] = nilai keanggotaan konsekuen fuzzy Pada metode additive, solusi himpunan fuzzy diperoleh dengan cara melakukan bounded-sum terhadap semua output daerah fuzzy. Secara umum dituliskan: μ sf [x i ] = min( 1, μ sf [x i ] + μ kf [x i ] ) dengan: μ sf [x i ] = nilai keanggotaan solusi fuzzy sampai μ kf [x i ] = nilai keanggotaan konsekuen fuzzy Pada metode probabilistok OR ini, solusi himpunan fuzzy diperoleh dengan cara melakukan product terhadap semua output daerah fuzzy. Secara umum dituliskan: μ sf [x i ] = ( μ sf [x i ] + μ kf [x i ] ) (μ sf [x i ] * μ kf [x i ]) dengan : μ sf [x i ] = nilai keanggotaan solusi fuzzy sampai μ sf [x i ] = nilai keanggotaan konsekuen fuzzy Pada metode centroid, solusi crisp diperoleh dengan cara mengambil titik pusat (z*) daerah fuzzy. Secara umum dirumuskan oleh Bo Yuan: Metode Mamdani Metode Mamdani sering dikenal sebagai metode Max-Min. Metode ini diperkenalkan oleh
4 z * z z z ( z) dz z ( z) dz Sedangkan pada metode mean of maximum, solusi crisp diperoleh dengan cara mengambil nilai rata-rata domian yang memiliki nilai keanggotaan maksimum. Pada metode largerst of maximum, solusi crisp diperoleh dengan cara mengambil nilai terbesar dari domian yang memiliki nilai keanggotaan maksimum. Dan pada metode smallest of maximum, solusi crisp diperoleh dengan cara mengambil nilai terkecil domian yang memiliki nilai keanggotaan maksimum Metode Sugeno Penalaran dengan metode Sugeno hampir sama dengan penalaran Mamdani, hanya saja outputnya (konsekuen) sistem tidak berupa himpunan fuzzy, melainkan berupa konstanta atau persamaan linear. Metode ini diperkenalkan oleh Takagi-Sugeno Kang pada tahun Pada metode ini terdapat dua model orde yaitu, ordenol dimana bentuk model fuzzy secara umumnya yaitu: IF (x 1 is A 1 ) o (x 2 is A 2 ) o (x 3 is A 3 ) o... o (x N is A N ) THEN z=k dan orde-satu dimana bentuk model fuzy secara umumnya yaitu: IF (x 1 is A 1 ) o... o (x N is A N ) THEN z=p 1 *x p N *x N + q Orde-nol digunakan ketika pengguna ingin menggunakan aturan berupa konstanta, sedangkan pada orde-satu digunakan jika pengguna ingin menggunakan aturan berupa formula ataupun rumusan Metode Tsukamoto Pada metode Tsukamoto, setiap konsekuen pada aturan yang berbentuk If-Then harus direpresentasikan dengan suatu himpunan fuzzy dengan fungsi keanggotaan yang monoton. Sebagai hasilnya, output hasil inferensi dari tiaptiap aturan diberikan secara tegas (crisp) berdasarkan α-predikat (fire strength). Hasil akhirnya diperoleh dengan menggunakan ratarata terbobot. 3. ARSITEKTUR Program ini dibuat dengan tujuan agar dapat membantu pengguna dalam pengambilan keputusan. Beberapa contoh permasalahan yang dapat diselesaikan dengan program ini adalah mengenai produksi barang, prediksi cuaca, hasil panen ikan, meningkatkan unjuk kerja suatu pabrik dalam melakukan produksi. Gambar 2. Arsitektur Penghasil Keputusan Desain arsitektur program ini berfungsi untuk mengetahui cara kerja pada sistem pengambilan keputusan melalui beberapa proses sebelum menghasilkan sebuah keputusan. Pada arsitektur program ini mempunyai beberapa proses, yaitu: proses fuzzifikasi, evaluasi rule dan proses perhitungan menggunakan metode fuzzy inference atau juga disebut sebagai defuzzifikasi. Pada gambar 2 ini ditunjukkan arsitektur sistem penghasil keputusan. 4. IMPLEMENTASI Pertama kali sistem menerima input berupa data-data seperti suatu ukuran yang ingin dibandingkan kemudian satuan dan batas nilai minimum dan maksimum, kemudian dari datadata tersebut akan diproses terlebih dahulu. Pengisian akan dilanjutkan dengan input ke dua, yaitu: input berupa fungsi keanggotaan tiap-tiap label input yang diinputkan pertama kali, kemudian penentuan kurva yang akan digunakan beserta pengisian parameter untuk masingmasing fungsi keanggotaan. Setelah itu, semua data-data tersebut akan diproses yang disebut juga proses fuzzifikasi.
5 Setelah pengisian semua data input dan data output, maka pengisian berikutnya adalah berupa data aturan. Data aturan ini dapat diinputkan sesuai dengan keinginan pengguna. Semua aturan-aturan itu akan diproses pada evaluasi rule, untuk menghitung semua derajat keanggotaan setiap aturan yang telah diinputkan. Setelah pengisian data-data dan aturanaturan yang akan digunakan itu maka langkah selanjutnya adalah menginputkan nilai-nilai dari setiap input yang diinginkan untuk mengetahui hasil dari outputnya. Pada proses inilah ke-tiga metode fuzzy inference akan bekerja, semua perhitungan tiap metode yang dipilih dan aturanaturan yang berlaku tersebut akan menghasilkan output. Proses ini disebut juga sebagai proses defuzzifikasi. Hasil dari output ini adalah berupa angka prediksi yang seharusnya dicapai. [R1]IF Permintaan TURUN And [R2]IF Permintaan TURUN And [R3]IF Permintaan NAIK And [R4]IF Permintaan NAIK And 5. UJICOBA Pada bagian ini akan dilakukan ujicoba untuk mengetahui cara kerja dari tiap-tiap metode. Hasil coba ini dilakukan dengan cara memberikan kasus yang dapat diselesaikan oleh setiap metode-metode tersebut. Pada metode Mamdani, Tsukamoto dan Sugeno orde-satu dapat diberikan contoh kasus yang sama tetapi untuk metode sugeno orde-satu ini aturan yang digunakan akan berbeda dengan ke-dua metode yang lainnya, kemudian pada metode Sugeno orde-nol akan diberikan kasus yang berbeda karena sifatnya yang tidak memungkinkan untuk menggunakan kasus yang sama dengan metode yang lainnya karena sifat aturannya yang konstanta Studi Kasus Mamdani Suatu perusahaan makanan kaleng akan memproduksi makanan jenis ABC. Dari data 1 bulan terakhir, permintaan terbesar mencapai 5000 kemasan/hari, dan permintaan terkecil mencapai 1000 kemasan/hari. Persediaan barang digudang terbanyak mencapai 600 kemasan/hari, dan terkecil pernah mencapai 100 kemasan/hari. Dengan segala keterbatasannya, sampai saat ini, perusahaan baru mampu memproduksi barang maksimum 7000 kemasan/hari, untuk efisiensi mesin dan SDM tiap hari diharapkan perusahaan memproduksi paling tidak 2000 kemasan. Berapa kemasan makanan jenis ABC yang harus diproduksi, jika jumlah permintaan sebanyak 4000 kemasan, dan persediaan di gudang masih 300 kemasan, apabila proses produksi perusahaan tersebut menggunakan empat aturan yaitu: Gambar 3. Tampilan Form Pada gambar 3 ini merupakan salah satu tampilan untuk menginputkan data yang diperlukan dalam melakukan proses yang dibutuhkan. Data yang telah diinputkan itu akan ditampilkan pada bagian kirinya dan untuk setiap membership function yang diinputkan akan dimunculkan juga kurvanya. Data-data yang dibutuhkan untuk pengisian variabel input adalah Nama, tipe, satuan, range minimum dan maksimum, kemudian jumlah fungsi keanggotaan yang diperlukan untuk setiap input. Pada studi kasus ini, data-data yang akan diisikan secara berurutan adalah sebagai berikut: 1. input1 = permintaan, input, kemasan/hari, 1000, 5000, input2 = persediaan, input, kemasan/hari, 100, 6000, Output = produksi, output, kemasan/hari, 2000, 7000,2. Dari hasil perhitungan tersebut, maka permintaan = 4000, persediaan = 300, maka jumlah makanan kaleng yang harus diproduksi adalah kemasan/hari Studi Kasus Sugeno Orde-Nol Seorang pengusaha ikan salmon ingin mengetahui hasil panen untuk tahun berikutnya dengan menggunakan data-data yang telah
6 dicatatnya selama 8 tahun sebelumnya. Data-data yang di inputkan ini adalah berupa data jumlah benih ikan dan suhu permukaan air untuk tambaknya. Berikut ini merupakan tabel mengenai hasil panen selama 8 tahun sebelumnya. Tabel 1. Jumlah Hasil Panen Ikan Salmon Tahun Jumlah Benih Ikan (Bibit) Suhu Permukaan Air (oc) Panen (Ekor) Beberapa data yang dibutuhkan untuk pengisian variabel input adalah Nama, tipe, satuan, range minimum dan maksimum, kemudian jumlah fungsi keanggotaan yang diperlukan untuk setiap input. Pada studi kasus ini, data-data yang akan diisikan secara berurutan adalah sebagai berikut: 1. Input1 = benih ikan, input, bibit, 1418, 4053, 2. Input2 = suhu, input, oc, 11, 13, Output = panen, output, ekor. Data-data yang akan dibutuhkan di bagian tab Membership Function ini adalah nama himpunan fuzzy, tipe, parameter. Data yang diperlukan untuk di masukkan sebagai input pada fungsi keanggotaan ini adalah sebagai berikut: 1. benih ikan = sedikit sedikit, Linear Turun, 1418, = banyak banyak, Linear Naik, 1418, suhu = turun turun, Linear Turun, 11.11, = naik naik, Linear Naik, 11.11, Dan pada kasus ini, aturan yang digunakan adalah seperti berikut ini: [R1] IF benih ikan IS sedikit AND suhu IS turun THEN panen IS 2446 [R2] IF benih ikan IS sedikit AND suhu IS naik THEN panen IS [R3] IF benih ikan IS banyak AND suhu IS turun THEN panen IS [R4] IF benih ikan IS banyak AND suhu IS naik THEN panen IS 6051 Dari hasil perhitungan tersebut, maka benih ikan = 3215 bibit, suhu = o C, maka hasil panen untuk tahun ini adalah ekor. 5.3 Studi Kasus Sugeno Orde-Satu Kasus yang digunakan adalah sama dengan kasus yang digunakan pada kasus Mamdani tetapi aturan yang digunakan agak sedikit berbeda, yaitu: [R1]IF Permintaan TURUN And Produksi Barang =Permintaan - Persediaan; [R2]IF Permintaan TURUN And Produksi Barang = Permintaan; [R3]IF Permintaan NAIK And Produksi Barang = Permintaan; [R4]IF Permintaan NAIK And Produksi Barang= 1,25 * Permintaan - Persediaan; Dengan menggunakaan formula tersebut, maka permintaan = 4000, persediaan = 300, maka jumlah makanan kaleng yang harus diproduksi adalah 4230 kemasan/hari. 5.4 Studi Kasus Tsukamoto Kasus yang digunakan adalah sama dengan kasus yang digunakan pada kasus Mamdani dan aturan yang digunakanpun sama, yaitu: [R1]IF Permintaan TURUN And [R2]IF Permintaan TURUN And [R3]IF Permintaan NAIK And [R4]IF Permintaan NAIK And Dari hasil perhitungan tersebut, maka permintaan = 4000, persediaan = 300, maka jumlah makanan kaleng yang harus diproduksi adalah kemasan/hari. 6. KESIMPULAN Sifat DSS dapat menentukan hasil keputusan dalam berbagai kasus dan dapat memberikan keuntungan tersendiri karena dapat mengelompokkan yang sejenis tetapi untuk permasalahannya masih belum diketahui, tetapi
7 tidak menutup kemungkinan untuk permasalahan yang lain untuk diselesaikan dengan DSS tool ini. Metode Mamdani dan Tsukamoto memiliki mekanisme yang sama. Namun demikian, berbeda dengan metode Tsukamoto yang lebih sederhana. Dalam perhitungan metode Mamdani dapat memilih beberapa komposisi aturan atau beberapa metode yang kurang dimengerti oleh kebanyakan orang, sedangkan pada metode Tsukamoto, komposisi atau beberapa metode tersebut telah ditentukan langsung sehingga user yang memakai hanya perlu memasukkan datadata yang diperlukan saja. Ketiga metode tersebut baik adanya dan tiap-tiap metode memiliki keunggulan masingmasing, dimana pada metode sugeno orde-nol digunakan untuk kasus yang mempunyai aturan berupa rumusan atau formula. Sedangkan pada metode sugeno orde-satu, aturan yang dibutuhkan dalam kasus tersebut haruslah berupa konstanta. Pada metode Mamdani, mempunyai kelebihan dimana pengguna dapat memilih metode untuk komposisi aturannya, tetapi itu juga merupakan kekurangan bagi metode ini karena tidak semua pengguna ingin disibukkan dengan metode-metode tersebut. Biasanya user yang memakai lebih menyukai untuk mengisikan datanya secara langsung tanpa harus berpikir panjang lagi untuk menentukan metode-metode lainnya. Sedangkan pada metode Tsukamoto, aturanaturan yang digunakan adalah berupa fungsi keanggotaan. Penggunaan aturan-aturan tersebut sama dengan metode Mamdani dan pada metode Tsukamoto ini lebih sederhana karena pengguna hanya perlu memasukkan data-data tersebut dan kemudian akan menghasilkan keputusan. Visualisasi berupa kurva sangat membantu pengguna DSS tool ini dalam hal melihat kondisi atau melihat data-data karena dengan menggunakan kurva tersebut, akan mempermudah pengguna dalam menganalisa dan lebih mudah dilihat daripada berupa tulisan ataupun data dalam bentuk tabel-tabel. Keadaan dimana DSS tool ini dapat menerima aturan-aturan baru dalam pengambilan keputusan, menjadikan DSS ini baik digunakan dalam pengambilan keputusan. 7. PUSTAKA A, Abraham. Adaptation Of Fuzzy Inference System Using Neural Learning. chapter.pdf Castellano, Giovanna; Fanelli, Anna; Men-car, Corrado; Design Of Transparent Mamdani Fuzzy Inference System Bouchaffra, Djamel. Fuzzy Inference System oftcomputing/b&w-ppt/ch4%rb5135d.pdf. Kusumadewi, Sri Analisis Desain Sistem Fuzzy mengguanakan Tool Box Matlab. Yogyakarta: Graha Ilmu Kusumadewi, Sri dan Purnomo, Hari Aplikasi Logika Fuzzy Untuk Pendukung Keputusan. Yogyakarta: Graha Ilmu The Math Works, fuzzy Logic Toolbox 2 User s Guide, k/help/toolbox/fuzzy/index.html?/access/hel pdesk/help/toolbox/fuzzy/fp351dup8.html Turban, Efraim, dkk Decision Support System and Intelligent Systems. Yogyakarta: ANDI RIWAYAT PENULIS Gunawan, lahir di Gombong, Jawa Tengah pada 3 April Penulis menamatkan pendidikan di Sekolah Tinggi Teknik Surabaya dalam bidang Manajemen Informatika (D3) pada 1988, Teknik Informatika (S1) pada 1991, dan Teknologi Informasi (S2) pada Saat ini bekerja sebagai dosen di Sekolah Tinggi Teknik Surabaya. Penulis adalah Wakil Ketua Aptikom Wilayah VII (Jawa Timur). C. Pickerling, lahir di Surabaya pada 9 Oktober Penulis menamatkan pendidikan S1 di Sekolah Tinggi Teknik Surabaya (STTS) dalam bidang Teknik Informatika pada 2008.
BAB 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 terperinciSistem Inferensi Fuzzy
Sistem Inferensi Fuzzy METODE SUGENO 27 Sistem Inferensi Fuzzy Metode Tsukamoto Metode Sugeno! Diperkenalkan oleh Takagi-Sugeno-Kang, tahun 1985.! Bagian output (konsekuen) sistem tidak berupa himpunan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Logika Fuzzy Fuzzy secara bahasa diartikan sebagai kabur atau samar yang artinya suatu nilai dapat bernilai benar atau salah secara bersamaan. Dalam fuzzy dikenal derajat keanggotan
Lebih terperinciBAB II KAJIAN PUSTAKA
BAB II KAJIAN PUSTAKA A. Kompetensi Pedagogik Menurut Mahmudin (2008) Kompetensi Guru merupakan seperangkat pengetahuan, keterampilan, dan perilaku yang harus dimiliki, dihayati, dikuasai, dan diaktualisasikan
Lebih terperinciSISTEM INFERENSI FUZZY MAMDANI BERBASIS WEB
JURNAL MATRIX VOL. 3, NO. 1, MARET 2013 39 SISTEM INFERENSI FUZZY MAMDANI BERBASIS WEB I Ketut Suwintana Jurusan Akuntansi Politeknik Negeri Bali Kampus Bukit Jimbaran Bali Telp. +62 361 701981 Abstrak:.Logika
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Permintaan, Persediaan dan Produksi 2.1.1 Permintaan Permintaan adalah banyaknya jumlah barang yang diminta pada suatu pasar tertentu dengan tingkat harga tertentu pada tingkat
Lebih 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 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 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 terperinciPenggunaan Mamdani Fuzzy Expert System untuk Mengevaluasi Kinerja Dosen
Penggunaan Mamdani Fuzzy Expert System untuk Mengevaluasi Kinerja Dosen Dwi Rolliawati Fakultas Ilmu Komputer, Sistem Komputer, Universitas Narotama dwi.roliawati@narotama.ac.id Abstrak Dosen sebagai pendidik
Lebih 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 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 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 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 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 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 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 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 terperinciPenerapan Metode Fuzzy Mamdani Pada Rem Otomatis Mobil Cerdas
Penerapan Metode Fuzzy Mamdani Pada Rem Otomatis Mobil Cerdas Zulfikar Sembiring Jurusan Teknik Informatika, Fakultas Teknik, Universitas Medan Area zoelsembiring@gmail.com Abstrak Logika Fuzzy telah banyak
Lebih terperinciPenerapan 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 terperinciPenerapan Logika Fuzzy
1 Penerapan Logika Fuzzy M. Faisal Baehaki - 13506108 1 Program Studi Teknik Informatika Sekolah Teknik Elektro dan Informatika Institut Teknologi Bandung, Jl. Ganesha 10 Bandung 40132, Indonesia 1 m_faisal_b@yahoo.com
Lebih terperinciAnalisis Pengaruh Pemilihan Fuzzy Membership Function Terhadap Output Sebuah Sistem Fuzzy Logic
Analisis Pengaruh Pemilihan Fuzzy Membership Function Terhadap Output Sebuah Sistem Fuzzy Logic Luh Kesuma Wardhani, Elin Haerani Jurusan Teknik Informatika Fakultas Sains dan Teknologi UIN SUSKA Riau
Lebih 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 terperinciKASUS PENERAPAN LOGIKA FUZZY. Fuzzy tsukamoto, mamdani, sugeno
KASUS PENERAPAN LOGIKA FUZZY Fuzzy tsukamoto, mamdani, sugeno CARA KERJA LOGIKA FUZZY MELIPUTI BEBERAPA TAHAPAN BERIKUT : 1. Fuzzyfikasi 2. Pembentukan basis pengetahuan fuzzy (rule dalam bentuk if..then).
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 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 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 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 terperinciPENGEMBANGAN SISTEM PAKAR FUZZY
FUZZY EXPERT SYSTEM FUZZY INFERENCE SYSTEM FUZZY REASONING Toto Haryanto MATA KULIAH SISTEM PAKAR DEPARTEMEN ILMU KOMPUTER INSTITUT PERTANIAN BOGOR PENGEMBANGAN SISTEM PAKAR FUZZY Domain Masalah Fuzzifikasi
Lebih terperinciPENALARAN FUZZY SISTEM PAKAR DEPARTEMEN ILMU KOMPUTER INSTITUT PERTANIAN BOGOR 2012
PENALARAN FUZZY SISTEM PAKAR DEPARTEMEN ILMU KOMPUTER INSTITUT PERTANIAN BOGOR 2012 PENALARAN FUZZY Digunakan untuk menghasilkan suatu keputusan tunggal / crisp saat defuzzifikasi Penggunaan akan bergantung
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 terperinciPenerapan Fuzzy Mamdani Pada Penilaian Kinerja Dosen (Studi Kasus STMIK Kaputama Binjai)
Penerapan Fuzzy Mamdani Pada Penilaian Kinerja Dosen (Studi Kasus STMIK Kaputama Binjai) Magdalena Simanjuntak 1), Achmad Fauzi 2) Program Studi Teknik Informatika STMIK Kaputama 1) Program Studi Manajemen
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 terperinciPEMODELAN SISTEM FUZZY DENGAN MENGGUNAKAN MATLAB
PEMODELAN SISTEM FUZZY DENGAN MENGGUNAKAN MATLAB Afan Galih Salman Jurusan Teknik Informatika, Fakultas Ilmu Komputer, Bina Nusantara University Jln. K.H. Syahdan No 9, Palmerah, Jakarta Barat 11480 asalman@binus.edu
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 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 terperinciPERBANDINGAN METODE TSUKAMOTO, METODE MAMDANI DAN METODE SUGENO UNTUK MENENTUKAN PRODUKSI DUPA (Studi Kasus : CV. Dewi Bulan)
PERBANDINGAN METODE TSUKAMOTO, METODE MAMDANI DAN METODE SUGENO UNTUK MENENTUKAN PRODUKSI DUPA (Studi Kasus : CV. Dewi Bulan) Komang Wahyudi Suardika 1, G.K. Gandhiadi 2, Luh Putu Ida Harini 3 1 Program
Lebih 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 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 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 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 terperinciLOGIKA SAMAR (FUZZY LOGIC)
LOGIKA SAMAR (FUZZY LOGIC) 2. Himpunan Samar 2.. Himpunan Klasik dan Himpunan Samar Himpunan klasik merupakan himpunan dengan batasan yang tegas (crisp) (Jang, Sun, dan Mizutani, 24). Sebagai contoh :
Lebih terperinciPENENTUAN JUMLAH PRODUKSI TELEVISI MERK X MENGGUNAKAN METODE FUZZY MAMDANI
PENENTUAN JUMLAH PRODUKSI TELEVISI MERK X MENGGUNAKAN METODE FUZZY MAMDANI Ahmad Mufid Program Studi Sistem Komputer Fakultas Teknik Universitas Sultan Fatah (UNISFAT) Jl. Sultan Fatah No. 83 Demak Telpon
Lebih terperinciBAB 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 terperinciAnalisis Fungsi Implikasi Max-Min dan Max-Prod Dalam Pengambilan Keputusan
128 ISSN: 2354-5771 Analisis Fungsi Implikasi Max-Min dan Max-Prod Dalam Pengambilan Keputusan Raheliya Br Ginting STT Poliprofesi Meda E-mail: itink_ribu@yahoo.com Abstrak Pengambilan keputusan harus
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 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 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 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 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 terperinciRima Ayuningtyas NIM Jurusan Teknik Informatika, Universitas Maritim Raja Ali Haji. Jl. Politeknik Senggarang, Tanjungpinang
Sistem Pendukung Keputusan Dalam Menentukan Jenis Budidaya Ikan Dengan Mengukur Kualitas Air Menggunakan Metode Fuzzy Tsukamoto (Studi Kasus : Balai Benih Ikan di Pengujan Kabupaten Bintan) Rima Ayuningtyas
Lebih terperinciElin Haerani. Kata Kunci : Defuzzifikasi, COA (center of area), bisektor, MOM (mean of maximum) LOM
ANALISA KENDALI LOGIKA FUZZY DENGAN METODE DEFUZZIFIKASI COA (CENTER OF AREA), BISEKTOR, MOM (MEAN OF MAXIMUM), LOM (LARGEST OF MAXIMUM), DAN SOM (SMALLEST OF MAXIMUM) Elin Haerani Jurusan Teknik Informatika,
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 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 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 METODE FUZZY TSUKAMOTO UNTUK MEMPREDIKSI HASIL PRODUKSI KELAPA SAWIT (STUDI KASUS : PT. AMAL TANI PERKEBUNAN TANJUNG PUTRI BAHOROK)
PENERAPAN METODE FUZZY TSUKAMOTO UNTUK MEMPREDIKSI HASIL PRODUKSI KELAPA SAWIT (STUDI KASUS : PT. AMAL TANI PERKEBUNAN TANJUNG PUTRI BAHOROK) Andrian Juliansyah ( 1011287) Mahasiswa Program Studi Teknik
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 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 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 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 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 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 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 terperinci4-5-FUZZY INFERENCE SYSTEMS
4-5-FUZZY INFERENCE SYSTEMS Shofwatul Uyun Mekanisme FIS Fuzzy Inference Systems (FIS) INPUT (CRISP) FUZZYFIKASI RULES AGREGASI DEFUZZY OUTPUT (CRISP) 2 Metode Inferensi Fuzzy Metode Tsukamoto Metode Mamdani
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 terperinciMetode Fuzzy Inference System untuk Penilaian Kinerja Pegawai Perpustakaan dan Pustakawan
Scientific Journal of Informatics Vol., No. 1, Mei 2016 p-issn 2407-7658 http://journal.unnes.ac.id/nju/inde.php/sji e-issn 2460-0040 Metode Fuzzy Inference System untuk Penilaian Kinerja Pegawai Perpustakaan
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 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 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 terperinciREVIEW PENERAPAN FUZZY LOGIC SUGENO DAN MAMDANI PADA SISTEM PENDUKUNG KEPUTUSAN PRAKIRAAN CUACA DI INDONESIA
Seminar Nasional Sistem Informasi Indonesia, 6 November 2017 REVIEW PENERAPAN FUZZY LOGIC SUGENO DAN MAMDANI PADA SISTEM PENDUKUNG KEPUTUSAN PRAKIRAAN CUACA DI INDONESIA Anisa Citra Mutia, Aria Fajar Sundoro,
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 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
8 BAB 2 LANDASAN TEORI 2.1 Pengertiaan Persediaan Persediaan adalah bahan atau barang yang disimpan yang akan digunakan untuk digunakan memenuhi tujuan tertentu, misalnya untuk proses produksi atau perakitan,
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 terperinci1.1. Latar Belakang Masalah
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Salah satu aplikasi sistem cerdas yang paling sukses dan masih berkembang saat ini yaitu peramalan beban listrik. Peramalan beban listrik adalah suatu ilmu
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 terperinciIMPLEMENTASI METODE FUZZY INFERENCE SYSTEM (FIS) MAMDANI DALAM PEMILIHAN PEKERJAAN BAGI LULUSAN IBI DARMAJAYA
IMPLEMENTASI METODE FUZZY INFERENCE SYSTEM (FIS) MAMDANI DALAM PEMILIHAN PEKERJAAN BAGI LULUSAN IBI DARMAJAYA Asri Bunga Renjani* 1, Yulmaini 2 Bandar Lampung, Telp. 0721-787214, Fax. 0721-700261 1,2 Teknik
Lebih terperinciContoh Kasus. Bagus Ilhami HIdayat
Contoh Kasus Suatu perusahaan tekstil akan memproduksi pakaian dengan jenis XYZ. Dari 1 bulan terakhir, permintaan terbesar mencapai 5000 potong per hari, dan permintaan terkecil mencapai 1000 potong per
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 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 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 terperinciPraktikum sistem Pakar Fuzzy Expert System
Praktikum sistem Pakar Fuzzy Expert System Ketentuan Praktikum 1. Lembar Kerja Praktikum ini dibuat sebagai panduan bagi mahasiswa untuk praktikum pertemuan ke - 8 2. Mahasiswa akan mendapatkan penjelasan
Lebih 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 terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Logika Fuzzy Logika Fuzzy pertama kali dikembangkan oleh Lotfi A. Zadeh pada tahun1965. Teori ini banyak diterapkan di berbagai bidang, antara lain representasipikiran manusia
Lebih terperinciPresentasi TA DETEKSI PENYAKIT PARU-PARU OBSTRUKTIF KRONIS MENGGUNAKAN METODE FUZZY : STUDI KASUS DI RUMAH SAKIT XYZ. Muhammad Reza Budiman
Presentasi TA DETEKSI PENYAKIT PARU-PARU OBSTRUKTIF KRONIS MENGGUNAKAN METODE FUZZY : STUDI KASUS DI RUMAH SAKIT XYZ Muhammad Reza Budiman 5209100075 Jurusan Sistem Informasi Fakultas Teknologi Informasi
Lebih terperinciSISTEM PENENTUAN KANDIDAT KETUA KARANG TARUNA DENGAN MENGGUNAKAN FUZZY LOGIC
SISTEM PENENTUAN KANDIDAT KETUA KARANG TARUNA DENGAN MENGGUNAKAN FUZZY LOGIC ( STUDY KASUS : KARANG TARUNA DESA PUHJARAK ) SKRIPSI Diajukan Untuk Memenuhi Sebagai Syarat Guna Memperoleh Gelar Sarjana Komputer
Lebih terperinciAnalisis Komparasi Metode Tsukamoto dan Sugeno dalam Prediksi Jumlah Siswa Baru
Analisis Komparasi Metode Tsukamoto dan Sugeno dalam Prediksi Siswa Baru Siti Abidah STMIK Banjarbaru abi.bjb@gmail.com Abstract The number of new students in the admission of students the new school year
Lebih terperinciMenentukan Harga Beras Sesuai Mutu Kualitas Beras dengan Logika Fuzzy Mamdani
SEMINAR MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2017 T - 13 Menentukan Harga Beras Sesuai Mutu Kualitas Beras dengan Logika Fuzzy Mamdani Ghulam Abdul Malik, Agus Maman Abadi Prodi Matematika, Universitas
Lebih 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 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 terperinciPENERAPAN FUZZY SUGENO DALAM SISTEM PENDUKUNG KEPUTUSAN MENENTUKAN KELAS PEMINATAN (STUDI KASUS : STMIK POTENSI UTAMA)
PENERAPAN FUZZY SUGENO DALAM SISTEM PENDUKUNG KEPUTUSAN MENENTUKAN KELAS PEMINATAN (STUDI KASUS : STMIK POTENSI UTAMA) Alfa Saleh Teknik Informatika STMIK Potensi Utama Jl K.L. Yos Sudarso KM 6.5 No.3-A,
Lebih terperinciLOGIKA FUZZY (Lanjutan)
Metode Mamdani Metode mamdani sering dikenal sebagai metode Max-Min. Metode ini diperkenalkan oleh Ebrahim Mamdani pada tahun 1975. Menurut metode ini, ada empat tahap yang harus dilalui untuk mendapatkan
Lebih terperinciPenentuan Jumlah Konsumsi Dengan Metode Penalaran Fuzzy Mamdani ( Studi Kasus Prediksi Konsumsi Susu Untuk Balita ) Agus Purwo Handoko 1)
ISSN : 1693 1173 Penentuan Jumlah Konsumsi Dengan Metode Penalaran Fuzzy Mamdani ( Studi Kasus Prediksi Konsumsi Susu Untuk Balita ) Agus Purwo Handoko 1) Abstract This paper is an explanation on fuzzy
Lebih 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 terperinciSebelumnya... Penalaran pada Sistem Pakar. Ketidakpastian dalam Sistem Pakar. Contoh forward chaining & backward chaining
Sebelumnya... Penalaran pada Sistem Pakar Contoh forward chaining & backward chaining Ketidakpastian dalam Sistem Pakar Teori Peluang Teori Bayes Jaringan Bayes Faktor Kepastian Kecerdasan Buatan Pertemuan
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 terperinciPREDIKSI PERMINTAAN PRODUK MIE INSTAN DENGAN METODE FUZZY TAKAGI-SUGENO
PREDIKSI PERMINTAAN PRODUK MIE INSTAN DENGAN METODE FUZZY TAKAGI-SUGENO Ahmad Bahroini 1, Andi Farmadi 2, Radityo Adi Nugroho 3 1,2,3Prodi Ilmu Komputer FMIPA UNLAM Jl. A. Yani Km 36 Banjarbaru, Kalimantan
Lebih 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 terperinciSebelumnya... Penalaran pada Sistem Pakar. Ketidakpastian dalam Sistem Pakar. Contoh forward chaining & backward chaining
Sebelumnya... Penalaran pada Sistem Pakar Contoh forward chaining & backward chaining Ketidakpastian dalam Sistem Pakar Teori Peluang Teori Bayes Jaringan Bayes Faktor Kepastian Kecerdasan Buatan Pertemuan
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 terperinci