MEMPREDIKSI PENENTUAN JUMLAH PRODUKSI MENGGUNAKAN FUZZY LOGIC METODE TSUKAMOTO PADA UD. BANALY FOOD
|
|
- Widyawati Atmadjaja
- 6 tahun lalu
- Tontonan:
Transkripsi
1 MEMPREDIKSI PENENTUAN JUMLAH PRODUKSI MENGGUNAKAN FUZZY LOGIC METODE TSUKAMOTO PADA UD. BANALY FOOD Adnan Fritzdo Maulana 1, Ahmad Zainul Fanani 2 1,2 Jurusan Teknik Informatika-S1, Fakulas Ilmu Komputer Universitas Dian Nuswantoro Jl. Nakula No Semarang, 50131, (024) @mhs.dinus.ac.id 1, a.zainul.fanani@dsn.dinus.ac.id 2 Abstrak Mendapatkan keuntungan adalah tujuan dari setiap perusahaan, begitu juga dengan UD Banaly Food yang merupakan usaha dagang yang memproduksi olahan ikan sebagai produknya. Tujuan penelitian ini adalah untuk memprediksi jumlah produksi yang sesuai dengan jumlah permintaan, persediaan dan juga biaya produksi. Menentukan jumlah produksi yang tepat dapat meminimalisir kerugian karena produksi yang berlebih atau produksi terlalu banyak. Penentuan jumlah produksi ini menggunakan logika fuzzy yaitu Metode Tsukamoto. Dengan menggunakan data produksi yang sudah ada sebagai data. Data ini sebagai data input yang akan diolah dengan Metode Tsukamoto menjadi output berupa jumlah yang akan diproduksi. Dari data bulan Februari 2014 sampai dengan Februari 2015 menjadi data uji untuk mencari besar tingkat akurasinya. Dari data uji tersebut dicari jumlah yang akan diproduksi bulan Februari 2015 menggunakan sistem. Hasil dari 169 data dari semua varian yang diuji mendapatkan 128 data yang sesuai dengan data asli. Dengan menggunakan single decision threshold (one feature) dicari nilai akurasinya dan mendapat akurasi yaitu sebesar 75, %. Kata kunci: prediksi, Tsukamoto, jumlah produksi, Logika Fuzzy, single decision threshold (one feature) Abstract Making a profit is the goal of every company, as well as UD Banaly Food is a company that manufactures processed fish as a product. The purpose of this study is to predict the amount of production that corresponds to the amount of demand, inventory and production costs. Determining the appropriate amount of production to minimize losses due to excess production or production too much. Determination of the amount of this production method using fuzzy logic that Tsukamoto. By using existing production data as dataset. This data as input data to be processed by the method Tsukamoto be output in the form of the produced quantity. From the data in February 2014 to February 2015 to test data to seek greater levels of accuracy. Of the requested amount of test data that will be produced in February 2015 using the system. Results from the 169 data from all variants tested get 128 data corresponding to the original data. By using a single decision threshold (one feature) sought and received grades of accuracy that is equal to % accuracy. Keywords: prediction, Tsukamoto, total production, Fuzzy Logic, single decision threshold (one feature) 1
2 1. PENDAHULUAN Salah satu tujuan dari suatu wirausaha adalah untuk mendapatkan keuntungan semaksimal mungkin, agar tujuan itu dapat tercapai maka wirausaha harus mengikuti perkembangan perindustrian, baik dalam bidang manajemen maupun teknlogi informasi [1]. Seiring dengan perkembangan di bidang teknologi, pemanfaatan komputer menjadi sebuah keharusan pada segala bidang. Computer Based Information System (Sistem Informasi Berbasis Komputer) merupakan sistem pengolahan suatu data menjadi sebuah informasi yang berkualitas dan dapat visualisasi dan analisis. Salah satu dari sistem informasi berbasis komputer Sistem Pendukung Keputusan (Decission Support System) adalah sistem informasi interaktif yang dapat memberikan alternatif solusi dan keputusan yang tepat. Aspek strategis perusahaan agar dapat bersaing dalam dunia bisnis adalah perencanaan dan tersedianya produk barang untuk memenuhi tuntutan pasar [2]. Begitu pula dengan UD. Banaly Food yang merupakan perusahaan yang bergerak dalam bidang produksi pangan yang bergantung pada permintaan dari konsumen. Mempertimbangkan hal tersebut seharusnya dibuat suatu sistem keputusan untuk menentukan jumlah produksi yang tepat agar dapat mengurangi kerugian akibat produksi berlebih atau kekurangan produk. Kasus produksi barang pada sebuah perusahaan sangat bergantung kepada variabelvariabelnya misalkan: persediaan bahan baku, biaya produksi, harga bahan baku, dan permintaan konsumen. Pada prakteknya, nilai variabel-variabel ini tidak dapat diketahui pasti. Apabila terjadi hal seperti ini, maka solusinya adalah dengan menggunakan operasi himpunan fuzzy[3]. Jadi untuk dapat memprediksi jumlah produksi yang tepat dapat menggunakan logika fuzzy. Logika fuzzy digunakan karena konsep dari logika fuzzy itu mudah dipahami, memiliki toleransi terhadap data yang tidak tepat, dapat memodelkan fungsi non linear yang sangat kompleks, dapat bekerjasama dengan teknik konvensional, mengembangkan dan mengaplikasikan pengalaman pakar secara langsung tanpa harus melalui pelatihan dan didasarkan pada bahasa alami.[4] Ada 3 metode dalam logika fuzzy yaitu metode tsukamoto, metode mamdani dan metode sugeno. Pada penelitian ini yang digunakan adalah metode tsukamoto karena karena setiap aturan direpresentasikan menggunakan himpunan-himpunan fuzzy, dengan fungsi keangotaan yang monoton. sehingga output dari setiap aturan diberikan secara tegas berdasarkan α, dan diperoleh hasil akhir dengan ratarata terpusat. Metode ini akan menampilkan keluaran berupa nilai hasil dari perhitungan Defuzzyfikasi[5]. Hasil dari Defuzzyfikasi yang akan menentukan berapa jumlah barang yang akan diproduksi. Fuzzy Tsukamoto merupakan salah satu metode yang sangat fleksibel dan memiliki toleransi pada data yang ada. Fuzzy Tsukamoto memiliki kelebihan yaitu lebih intuitif, diterima oleh banyak pihak, lebih cocok untuk masukan yang diterima dari manusia bukan mesin [6]. 1.1 Rumusan Masalah Berdasarkan uraian pada latar belakang, maka dapat dirumuskan permasalahan yang akan diselesaikan yaitu bagaimana menerapkan logika fuzzy metode tsukamoto untuk memprediksi produksi barang. 1.2 Batasan Masalah Adapun batasan-batasan masalah dalam penelitian ini sebagai berikut: 2
3 1. Objek penelitian adalah UD. Banaly Food yaitu perusahaan yang bergerak dalam produksi makanan. 2. Untuk dapat menerapkan logika fuzzy dengan metode tsukamoto, prediksi jumlah produksi akan dicari berdasarkan data permintaan, persediaan dan biaya produksi. 1.3 Tujuan Penelitian Tujuan yang akan dicapai dalam penelitian ini adalah untuk memprediksi jumlah produksi pada UD. Banaly Food dan serta menghitung akurasi dari hasil penerapan metode fuzzy tsukamoto. 1.4 Manfaat Penelitian Manfaat yang didapatkan dari penelitian ini adalah a. Bagi Perusahaan Penelitian ini diharapkan dapat membantu perusahaan untuk memprediksi penentuan jumlah produksi yang sesuai. b. Bagi Pembeli Penelitian ini diharapkan dapat membantu pembeli untuk memenuhi kebutuhan mereka. c. Bagi Peneliti Penelitian ini diharap dapat menambah pengetahuan dalam hal memprediksi jumlah produksi dengan menggunakan fuzzy tsukamoto. 2. METODE Fuzzy logic adalah metodologi sistem kontrol pemecahan masalah, yang sesuai untuk diimplementasikan pada sistem, dimulai dari sistem sederhana, sistem kecil, embedded sistem, jaringan PC, multi channel atau workstation berbasis akuisisi data, dan sistem kontrol. Metodologi ini, data digunakan pada perangkat keras, perangkat lunak atau keduanya [4]. Konsep fuzzy logic diperkenalkan oleh prof. Lutfi Astor Zadeh pada Kelebihan fuzzy logic adalah kemampuannya dalam prose penalaran secara bahasa sehingga perancangannya tidak memerlukan persamaan matematik yang rumit. Beberapa alasan yang dapat diutarakan mengapa kita menggunakan fuzzy logic diantaranya adalah mudah dimengerti, memiliki toleransi terhadap data-data yang tidak tepat, mampu memodelkan fungsi-fungsi nonlinier yang sangat kompleks, dapat membangun dan mengaplikasikan pengalaman-pengalaman para pakar secara langsung tanpa harus memalui proses pelatihan, dapat bekerja sama dengan teknik-teknik kendali secara konvensional, dan didasarkan pada bahasa alami. Ada beberapa hal yang harus dipahami dalam memahami logika fuzzy, yaitu : a. Variabel fuzzy, merupakan variabel yang hendak dibahas dalam suatu sistem fuzzy. Contoh: umur, temperatur, permintaan, persediaan, produksi, dan sebagainya b. Himpunan fuzzy, yaitu suatu kelompok yang mewakili suatu keadaan tertentu dalam variabel fuzzy. 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 berupa bilangan positif maupun negatif. Adakalanya nilai semesta pembicaraan ini tidak dibatasi batas atasnya. 3
4 d. 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. 2.1 Fuzzy Tsukamoto Pada metode Tsukamoto, setiap konsekuen pada aturan yang berbentuk IF-Then harus direpresentasikan dengan suatu himpunan fuzzy dengan fungsi keanggotaan yang monoton (Gambar 1). Sebagai hasilnya, output hasil inferensi dari tiap-tiap aturan diberikan secara tegas (crisp) berdasarkan α-predikat (fire strength). Hasil akhirnya diperoleh dengan menggunakan rata-rata berbobot. Gambar 1. Inferensi dengan menggunakan Metode Tsukamoto 3. IMPLEMENTASI FUZZY TSUKAMOTO Terdapat 5 tahapan untuk menentukan jumlah produksi berdasarkan permintaan, persediaan, biaya produksi. Yaitu : Pengumpulan data, Preprocessing data, Fuzzyfikasi, Mesin Inferensi dan Defuzzyfikasi. 3.1 Pengumpulan Data Data yang digunakan pada penelitian ini adalah data produksi olahan ikan iwae dari Februari 2014 sampai Februari 2015 sebanyak 169 data produksi dengan atribut: jumlah produksi perbulan, biaya produksi perbulan, permintaan pembeli dan persediaan. 3.2 Preprocessing Data Tahap selanjutnya yaitu preprocessing data, data mentah akan diolah menjadi dataset dengan menghapus data yang tidak digunakan secara manual untuk penelitian selanjutnya. Dalam preprocessing yang akan dilakukan adalah menentukan variabel fuzzy, himpunan fuzzy, semesta pembicaraan dan domain himpunan fuzzy. a. Variabel Fuzzy Variabel fuzzy yang digunakan dalam penelitian ini ada 4 yaitu permintaan, persediaan, biaya produksi dan jumlah produksi. b. Himpunan Fuzzy Himpunan fuzzy pada penelitian ini yaitu untuk variabel permintaan himpunan fuzzynya adalah turun dan naik, untuk variabel persediaan adalah sedikit dan banyak, untuk variabel biaya produksi adalah kecil dan besar, dan untuk variabel jumlah produksi adalah berkurang dan bertambah. c. Semesta Pembicaraan Semesta pembicaraan dicari dengan menggunakan data uji yang dicari nilai min dan max. Contoh untuk Variabel permintaan lihat Tabel 1. Tabel 1. Permintaan dengan Atribut dengan Nilai Min dan Max Varian Nilai Max Nilai Min Otak-otak
5 Kaki Naga Fish Stik Keong Mas Bakso Bakso Sayur Lumpia Ikan Ekkado Ekkado Telur Otak Oval Sosis Ikan Siomay Siomay Telur d. Domain Himpunan Fuzzy Domain himpunan dibagi berdasarkan masing-masing varian seperti pada semesta pembicaaaraan. Contoh tabel domain untuk himpunan turun dan naik lihat tabel 2. Tabel 2. Domain untuk Himpunan Turun dan Naik Varian TURUN NAIK Otak-otak [0 250] [90 + ] Kaki Naga [0 250] [95 + ] Fish Stik [0 280] [101 + ] Keong Mas [0 250] [85 + ] Bakso [0 250] [88 + ] Bakso Sayur [0 267] [80 + ] Lumpia Ikan [0 300] [77 + ] Ekkado [0 300] [90 + ] Ekkado Telur [0 300] [90 + ] Otak Oval [0 250] [95 + ] Sosis Ikan [0 250] [92 + ] Siomay [0 227] [88 + ] Siomay Telur [0 234] [80 + ] 3.3 Fuzzyfikasi Terdapat beberapa langkah untuk menghitung kasus menggunakan fuzzy tsukamoto. Terdapat sebuah kasus yang akan diuji yaitu 13 varian produksi Iwae bulan februari 2015 yaitu produksi otakotak, kaki naga, fish stik, keong mas, bakso, bakso sayur, lumpia ikan, ekkado, ekkado telur, otak oval, sosis ikan, siomay dan siomay telur. Dari data tersebut akan diprediksi berapa jumlah produksi dari masing-masing varian. Contoh langkah dalam fuzzyfikasi: 1) Permintaan otak-otak, terdiri dari 2 himpunan yaitu : μnaik_oo dan μturun_oo. 1, x x μturun_oo[x] = {, x 250 0, 0, x 250 x 90 x 90 μnaik_oo[x] = {, x 250 1, x 250 Derajat keanggotaan untuk permintaan 130 kg otak-otak adalah μturun_oo [130] = ( ) / 160 = 0,75 μnaik_oo [130] = (130-90) / 160 = 0,25 Tabel 3. Hasil Fuzzyfikasi Varian Bulan Februari 2015 Februari 2015 Turun Sedikit Kecil Besar Banyak Naik Otak- otak 0, Kaki Naga Fish Stik Keong mas Bakso Bakso Sayur Lumpia Ikan Ekkado Ekkado Telur Otak Oval Sosis ikan Siomay Siomay telur Mesin Inferensi Setelah mengerjakan proses fuzzifikasi, langkah selanjutnya yaitu mengerjakan mesin inferensi. Pada tahap ini diterapkan fungsi MIN untuk setiap aturan pada fungsi implikasinya dengan rule sebagai berikut : 5
6 [R1] IF permintaan TURUN AND persediaan SEDIKIT AND biaya produksi KECIL THEN jumlah produksi BERKURANG; Contoh untuk perhitungan mesin infernsi: α-predikatoo_1 =μturunᴖμsedikitᴖμkecil =min(μturun[130],μsedikit[10], μkecil[ ]) = min (0,75; 0,9166; 0,8) = 0,75 Lihat himpunan BERKURANG pada keanggotaan variabel jumlah produksi otak-otak, (280 - z)/200 = 0,75 Zoo_1 = 130 Untuk aturan yang lain yaitu: [R2] IF permintaan TURUN AND persediaan SEDIKIT AND biaya produksi BESAR THEN jumlah produksi BERKURANG; [R3] IF permintaan TURUN AND persediaan BANYAK AND biaya produksi KECIL THEN jumlah produksi BERKURANG; [R4] IF permintaan TURUN AND persediaan BANYAK AND biaya produksi BESAR THEN jumlah produksi BERKURANG; [R5] IF permintaan NAIK AND persediaan SEDIKIT AND biaya produksi KECIL THEN jumlah produksi BERTAMBAH; [R6] IF permintaan NAIK AND persediaan SEDIKIT AND biaya produksi BESAR THEN jumlah produksi BERTAMBAH; [R7] IF permintaan NAIK AND persediaan BANYAK AND biaya produksi KECIL THEN jumlah produksi BERTAMBAH; [R8] IF permintaan NAIK AND persediaan BANYAK AND biaya produksi BESAR THEN jumlah produksi BERTAMBAH; Hasil dari perhitungan pada mesin infernsi ditabelkan sebagai berikut: Tabel 4. Hasil perhitungan mesin inferensi Februari 2015 R1 R2 R3 R4 R5 R6 R7 R8 Otak-otak Kaki Naga Fish stik Keong mas Bakso Bakso sayur Lumpia ikan Ekkado Ekkado Telur Otak Oval Sosis Ikan Siomay Siomay Telur Defuzzyfikasi Setelah mengerjakan proses mesin inferensi langkah selanjutnya yaitu fuzzifikasi, proses ini bertujuan untuk mencari nilai tegas Z dari tiap produk untuk dengan menggunakan rata-rata terbobot. Contoh perhitungan defuzzyfikasi: Zoo = (0,75* ,2* , *263, , *263, ,25* ,2* , *96, , *96, ) / (0,75 + 0,2 + 0, , ,25 + 0,2 + 0, , ) = 151,1539 = 151 (dibulatkan) Tabel 5. Hasil dari Defuzzyfikasi Februari 2015 Otak-otak 151 Kaki naga 185 Fish stik 137 Keong mas 160 Bakso 157 Bakso sayur 137 Lumpia ikan 127 Ekkado 195 Ekkado Telur 168 Otak oval 129 Sosis ikan 112 Siomay 136 Siomay Telur 127 6
7 3.6 Antarmuka Program Untuk sistem pendukung keputusan dalam memprediksi produksi produk olahan ikan UD. Banaly Food dengan menggunakan metode tsukamoto memiliki beberapa halaman antara lain sebagai berikut: 3.7 Pengukuran Akurasi Perhitungan akurasi menggunakan single decision threshold (one feature. Dari jumlah keseluruhan 169 data yang diuji terdapat 129 data yang sesuai dengan data asli. Dengan perhitungan sebagai berikut : Validasi = TP+TN TP+TN+FP+FN x100% Gambar 2. Tampilan Awal Gambar 3. Halaman Tambah Gambar 4. Daftar Tabel TP (True Positive) : Menunjukan jumlah produksi yang berkurang baik berdasarkan data asli maupun dari data sistem keputusan. TN (True Negative) : Menunjukan jumlah produksi yang bertambah baik dalam data asli maupun dari data sistem keputusan FP (False Positive) : Menunjukan jumlah produksi yang bertambah dalam data asli, tetapi berkurang dalam sistem keputusan. FN (False Negative) : Menunjukan jumlah produksi yang berkurang dalam data asli, tetapi bertambah dalam sistem keputusan. Nilai validasi : TP = 47, TN = 81, FP = 14 dan FN = Validasi = x100% = 75, % Jadi tingkat keakuratan sistem pendukung keputusan ini yaitu 75, %. akurasi sebesar 75, % termasuk kategori fair classification atau cukup baik [7]. 4. KESIMPULAN Gambar 5. Hamalan Proses Prediksi Dari hasil penelitian dalam memprediksi penentuan jumlah produksi dan menghitung akurasi pada UD. Banaly Food menggunakan Fuzzy Logic metode Tsukamoto dapat disimpulkan bahwa: 1. Metode tsukamoto dapat digunakan untuk memprediksi 7
8 jumlah produksi dan mempunyai akurasi kecocokan yang cukup baik dari data sebenarnya. Dengan menggunakan 4 variabel yaitu permintaan, persediaan, biaya produksi dan jumlah produksi dan setiap variabel memiliki 2 himpunan yaitu pada variabel permintaan himpunan fuzzynya adalah naik dan turun, pada variabel persediaan himpunan fuzzynya adalah sedikit dan banyak, pada variabel biaya produksi himpunan fuzzynya adalah kecil dan besar, dan pada variabel jumlah produksi himpunan fuzzynya adalah berkurang dan bertambah. Dengan menggunakan 8 aturan fuzzy sebagai basis pengetahuan fuzzy dan menggunakan 169 data sebagai data yang diuji, kemudian dilakukan pengujian menggunakan data asli dan sistem. 2. Dari hasil pengujian tersebut mendapatkan hasil 47 data (True Positive), dan 81 data (True Negative) yang sesuai dengan data asli, dan 14 data (False Negative) dan 27 data (False Positive) yang tidak sesuai dengan data asli. Kemudian dilakukan perhitungan akurasi menggunakan single decision threshold (one feature) diperoleh hasil cukup baik yaitu sebesar 75, %. Dengan akurasi sebesar 75, % maka sistem pendukung keputusan ini dapat digunakan sebagai alat bantu untuk memprediksi data produksi yang akan datang. Informasi dan Teknologi Ilmiah, vol. III, no. 1, p. 18, [2] Indrayanti, "Menentukan Jumlah Produksi Batik dengan Memaksimalkan Keuntungan Menggunakan Metode Linear Programing pada Batik Hana," Jurnal Ilmiah, vol. X, no. 1, p. 1, [3] F. Solikin, "Aplikasi Logika Fuzzy dalam Optimalisasi Produksi Barang Menggunakan Metode Mamdani dan Metode Sugeno," Skripsi Matematika Universitas Negeri Yogyakarta, Yogyakarta, [4] T. Sutojo, E. Mulyanto and V. Suhartono, Kecerdasan Buatan, Yogyakarta: ANDI, [5]. M. Z. Shidiq, "Sistem Pendukung Keputusan Penentuan Jumlah Produksi Barang dengan Metode Fuzzy Tsukamoto," Skripsi Teknik Informatika Universitas Dian Nuswantoro, Semarang, [6] F. Thamrin, "Studi Inferensi Fuzzy Tsukamoto untuk Penentuan Faktor Pembebanan Trafo PLN," Tesis Sistem Informasi Universitas Diponegoro, Semarang, [7] F. Gorunescu, Data Mining Concept Model and Techniques, Berlin: Springer, DAFTAR PUSTAKA [1] M. Y. Ritonga, "Sistem Pendukung Keputusan Penentuan Produksi Makanan Menggunakan Logika Fuzzy dengan Metode Tsukamoto," 8
BAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Salah satu tujuan dari suatu wirausaha adalah untuk mendapatkan keuntungan semaksimal mungkin, agar tujuan itu dapat tercapai maka wirausaha harus mengikuti perkembangan
Lebih terperinciKLASIFIKASI PENERIMAAN BEASISWA DENGAN MENGGUNAKAN LOGIKA FUZZY TSUKAMOTO (STUDI KASUS POLITEKNIK KESEHATAN KEMENTRIAN KESEHATAN SEMARANG)
KLASIFIKASI PENERIMAAN BEASISWA DENGAN MENGGUNAKAN LOGIKA FUZZY TSUKAMOTO (STUDI KASUS POLITEKNIK KESEHATAN KEMENTRIAN KESEHATAN SEMARANG) Fasrul Rahman Ansori Teknik Informatika, Ilmu Kompputer, Universitas
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 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 terperinciANALISA KELAYAKAN TRUK PENGANGKUT MATERIAL ALAM PT. ARGA WASTU SLUKE REMBANG MENGGUNAKAN FUZZY LOGIC TSUKAMOTO
Techno.COM, Vol. 14, No. 1, Februari 2015: 42-48 ANALISA KELAYAKAN TRUK PENGANGKUT MATERIAL ALAM PT. ARGA WASTU SLUKE REMBANG MENGGUNAKAN FUZZY LOGIC TSUKAMOTO Mutiara Permana Pratiwi 1, Sendi Novianto
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 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 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 terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 4 BAB 2 TINJAUAN PUSTAKA 2.1. Pengertian Fuzzy Logika fuzzy adalah suatu cara yang tepat untuk memetakan suatu ruang input kedalam suatu ruang output. Titik awal dari konsep modern
Lebih terperinciBAB II 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 terperinciPendapatan Masyarakat Disekitar Kampus dengan Adanya Mahasiswa Menggunakan Fuzzy
Pendapatan Masyarakat Disekitar Kampus dengan Adanya Mahasiswa Menggunakan Fuzzy Asrianda 1 Teknik Informatika Kampus Bukit Indah Lhokseumawe email : asrianda@unimal.ac.id ABSTRAK Bertambahnya permintaan
Lebih terperinciANALISA KELAYAKAN TRUK PENGANGKUT MATERIAL ALAM PT. ARGA WASTU SLUKE REMBANG MENGGUNAKAN FUZZY LOGIC TSUKAMOTO
ANALISA KELAYAKAN TRUK PENGANGKUT MATERIAL ALAM PT. ARGA WASTU SLUKE REMBANG MENGGUNAKAN FUZZY LOGIC TSUKAMOTO Mutiara Permana Pratiwi A.2.5467 Teknik Informatika S Fakultas Ilmu Komputer Universitas Dian
Lebih terperinciPREDIKSI JUMLAH PRODUKSI BARANG BEDASARKAN JUMLAH PERMINTAAN DAN DATA JUMLAH PERSEDIAAN CV.CIHANJUANG INTI TEKNIK MENGGUNAKAN LOGIKA FUZZY MAMDANI
PREDIKSI JUMLAH PRODUKSI BARANG BEDASARKAN JUMLAH PERMINTAAN DAN DATA JUMLAH PERSEDIAAN CV.CIHANJUANG INTI TEKNIK MENGGUNAKAN LOGIKA FUZZY MAMDANI Rizka Munia Yogaswara 1), Gunawan Abdillah 2), Dian Nursantika
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 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 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 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 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 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 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 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 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 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 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 terperinciIMPLEMENTASI FUZZY TSUKAMOTO DALAM PENENTUAN KESESUAIAN LAHAN UNTUK TANAMAN KARET DAN KELAPA SAWIT
IMPLEMENTASI FUZZY TSUKAMOTO DALAM PENENTUAN KESESUAIAN LAHAN UNTUK TANAMAN KARET DAN KELAPA SAWIT Maya Yusida 1, Dwi Kartini 2, Andi Farmadi 3, Radityo Adi Nugroho 4, Muliadi 5 123Prodi Ilmu Komputer
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 terperinciPENERAPAN ARTIFICIAL INTELIGENCE UNTUK MENENTUKAN BAKAT DAN MINAT PADA UKM XPRESSI UPI-YPTK PADANG DENGAN MENGGUNAKAN LOGIKA FUZZY
PENERAPAN ARTIFICIAL INTELIGENCE UNTUK MENENTUKAN BAKAT DAN MINAT PADA UKM XPRESSI UPI-YPTK PADANG DENGAN MENGGUNAKAN LOGIKA FUZZY Fakultas Ilmu Komputer, Universitas Putra Indonesia YPTK Padang e-mail
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 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 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 terperinciPenentuan Jumlah Produksi Kue Bolu pada Nella Cake Padang dengan Sistem Inferensi Fuzzy Metode Sugeno
Penentuan Kue Bolu pada Nella Cake Padang dengan Sistem Inferensi Fuzzy Metode Sugeno Shenna Miranda #1, Minora Longgom Nasution *2, Muhammad Subhan #3 #1 Student of Mathematics department State University
Lebih 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 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 terperinciVersi Online tersedia di : JURNAL TECH-E (Online)
JURNAL TECH-E - VOL. 1 NO. 1 (17) Versi Online tersedia di : http://bsti.ubd.ac.id/e-jurnal JURNAL TECH-E 2581-1916 (Online) Artikel Perancangan Aplikasi Penentu Jurusan IPA atau IPS Pada SMA Menggunakan
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 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 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 terperinciPENERAPAN METODE TSUKAMOTO DALAM PEMBERIAN KREDIT SEPEDA MOTOR BEKAS PADA PT TRI JAYA MOTOR (Studi Kasus PT TRI JAYA MOTOR MEDAN )
Marsono, ISSN : 1978-6603 Saiful Nur Arif, Iskandar Zulkarnain, Penerapan Metode Tsukamoto PENERAPAN METODE TSUKAMOTO DALAM PEMBERIAN KREDIT SEPEDA MOTOR BEKAS PADA PT TRI JAYA MOTOR (Studi Kasus PT TRI
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1. Metode Pengumpulan Data Dalam penelitian diagnosa penyakit asma dengan menggunakan metode fuzzy Tsukamoto, dibutuhkan data mengenai gejala penyakit dari seorang pakar atau
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 terperinciIMPLEMENTASI LOGIKA FUZZY MAMDANI UNTUK MENENTUKAN HARGA GABAH
IMPLEMENTASI LOGIKA FUZZY MAMDANI UNTUK MENENTUKAN HARGA GABAH Reino Adi Septiawan Program Studi Teknik Informatika S1 Fakultas Ilmu Komputer Universitas Dian Nuswantoro Semarang Email : a11.2009.04948@gmail.com
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 PAKAR KESESUAIAN LAHAN BERDASARKAN SYARAT TUMBUH TANAMAN MENGGUNAKAN METODE FUZZY MAMDANI
SISTEM PAKAR KESESUAIAN LAHAN BERDASARKAN SYARAT TUMBUH TANAMAN MENGGUNAKAN METODE FUZZY MAMDANI Sudibyo, Pulung Nurtantio Andono 2,2 Jurusan Teknik Informatika, Fakultas Ilmu Komputer, Universitas Dian
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN PENENTUAN JUMLAH PRODUKSI BARANG DENGAN METODE FUZZY TSUKAMOTO BERBASIS ANDROID
TINF - 47 p- ISSN : 247 46 e-issn : 246 46 SISTEM PENDUKUNG KEPUTUSAN PENENTUAN JUMLAH PRODUKSI BARANG DENGAN METODE FUZZY TSUKAMOTO BERBASIS ANDROID Popy Meilina *, Nurvelly Rosanti, Nuraeni Astryani
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 terperinciREVIEW JURNAL LOGIKA FUZZY
REVIEW JURNAL LOGIKA FUZZY Disusun oleh : Gita Adinda Permata 1341177004309 PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS ILMU KOMPUTER UNIVERSITAS NEGERI SINGAPERBANGSA KARAWANG KATA PENGANTAR Assalamualaikum
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 terperinciLOGIKA FUZZY MENGGUNAKAN METODE TSUKAMOTO UNTUK PREDIKSI PERILAKU KONSUMEN DI TOKO BANGUNAN
Techno.COM, Vol. 14, No. 4, November 2015: 255-265 LOGIKA FUZZY MENGGUNAKAN METODE TSUKAMOTO UNTUK PREDIKSI PERILAKU KONSUMEN DI TOKO BANGUNAN Akbar Ariya Caraka 1, Hanny Haryanto 2, Desi Purwanti Kusumaningrum
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 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 terperinciProgram Studi Teknik Informatika STMIK GI MDP
PENERAPAN ETODE FUZZY ADANI UNTUK EPREDIKSI JULAH PRODUKSI INYAK SAWIT BERDASARKAN DATA PERSEDIAAN DAN JULAH PERINTAAN (STUDI KASUS PT PERKEBUNAN ITRA OGAN BATURAJA) Dwi artha Sukandy), Agung Triongko
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 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 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 terperinciPENENTUAN PENJURUSAN SISWA SMA DENGAN MENGGUNAKAN FUZZY LOGIC METODE MAMDANI
JURNAL LOGIC. VOL. 15. NO. 3. NOPEMBER 2015 199 PENENTUAN PENJURUSAN SISWA SMA DENGAN MENGGUNAKAN FUZZY LOGIC METODE MAMDANI Ni Made Karmiathi Jurusan Teknik Elektro, Politeknik Negeri Bali Bukit JImbaran,
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 terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Sekarang ini hampir semua perusahaan yang bergerak di bidang industri dihadapkan pada suatu masalah yaitu adanya tingkat persaingan yang semakin kompetitif. Hal ini
Lebih terperinciBAB 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 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 terperinciSISTEM PENDUKUNG KEPUTUSAN UNTUK PRODUKSI JENANG MENGGUNAKAN LOGIKA FUZZY MAMDANI
SISTEM PENDUKUNG KEPUTUSAN UNTUK PRODUKSI JENANG MENGGUNAKAN LOGIKA FUZZY MAMDANI Muhammad Agus Iriyanto Program Studi Teknik Informatika Fakultas Ilmu Komputer Universitas Dian Nuswantoro Jl. Nakula no
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 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 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 terperinciMuhammad Yudin Ritonga ( )
SISTEM PENDUKUNG KEPUTUSAN PENENTUAN PRODUKSI MAKANAN MENGGUNAKAN LOGIKA FUZZY DENGAN METODE TSUKAMOTO (STUDI KASUS : PT. INDOFOOD CBP SUKSES MAKMUR MEDAN) Muhammad Yudin Ritonga (0911555) Mahasiswa Program
Lebih terperinciPENILAIAN KINERJA DOSEN DENGAN MENGGUNAKAN METODE SUGENO
PENILAIAN KINERJA DOSEN DENGAN MENGGUNAKAN METODE SUGENO Magdalena Simanjuntak Program Studi Teknik Informatika, STMIK Kaputama E-mail : magdalena.simanjuntak84@gmail.com ABSTRACT This study aimed to analyze
Lebih terperinciBAB II LANDASAN TEORI. 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 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 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 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 terperinciOptimalisasi Jumlah Produksi Jamu Jaya Asli Dengan Metode Fuzzy Tsukamoto
Optimalisasi Jumlah Produksi Jamu Jaya Asli Dengan Metode Fuzzy Tsukamoto SKRIPSI Diajukan Untuk Memenuhi Salah Satu Syarat Guna Memperoleh Gelar Sarjana Komputer (S.Kom.) Pada Program Studi Sistem Informasi
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 terperinciOPTIMASI FUNGSI KEANGGOTAAN FUZZY MENGGUNAKAN METODE MAMDANI TERHADAP PREDIKSI PERILAKU PEMBELI
Techno.COM, Vol. 14, No. 4, November 2015: 266-271 OPTIMASI FUNGSI KEANGGOTAAN FUZZY MENGGUNAKAN METODE MAMDANI TERHADAP PREDIKSI PERILAKU PEMBELI Sandhopi 1, Sendi Novianto 2, Erna Zuni Astuti 3 1,2,3
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN UNTUK PENENTUAN PENERIMA BERAS MISKIN MENGGUNAKAN BASIS DATA FUZZY
SISTEM PENDUKUNG KEPUTUSAN UNTUK PENENTUAN PENERIMA BERAS MISKIN MENGGUNAKAN BASIS DATA FUZZY Standy Oei Jurusan Teknik Informatika Universitas Nusantara Manado Jl. Lengkong Wuaya Paal Dua, Manado, 95129
Lebih terperinciIMPLEMENTASI METODE FUZZY TSUKAMOTO PADA PENENTUAN HARGA JUAL BARANG DALAM KONSEP FUZZY LOGIC
IMPLEMENTASI METODE FUZZY TSUKAMOTO PADA PENENTUAN HARGA JUAL BARANG DALAM KONSEP FUZZY LOGIC Riky Amelia (1111981) Mahasiswa Program Studi Teknik Informatika, STMIK Budidarma Medan Jl. Sisingamangaraja
Lebih terperinciANALISIS PENDUKUNG KEPUTUSAN PENENTUAN PEMBELIAN BAHAN BAKU UNTUK PEMBUATAN MEUBEL JENIS KURSI LETER L MENGGUNAKAN FUZZY TSUKAMOTO
ANALISIS PENDUKUNG KEPUTUSAN PENENTUAN PEMBELIAN BAHAN BAKU UNTUK PEMBUATAN MEUBEL JENIS KURSI LETER L MENGGUNAKAN FUZZY TSUKAMOTO Sulistiyono 1), Wahyu Oktri Widyarto 2) 1 Information Technology Faculty
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Fuzzy set pertama kali diperkenalkan oleh Prof. Lotfi Zadeh pada tahun 1965 yang merupakan guru besar di University of California Berkeley pada papernya yang berjudul
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 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 terperinciIMPLEMENTASI LOGIKA FUZZY METODE TSUKAMOTO DALAM MENENTUKAN KELAYAKAN PEMBERIAN KREDIT PADA BPR BKK KENDAL
IMPLEMENTASI LOGIKA FUZZY METODE TSUKAMOTO DALAM MENENTUKAN KELAYAKAN PEMBERIAN KREDIT PADA BPR BKK KENDAL Mohammad Yafie Rizaldi 1, Purwanto 2 1,2 Teknik Informatika S1, Fakultas Ilmu Komputer, Universitas
Lebih terperinciPenerapan Metode Fuzzy Sugeno Dalam Pendaftaran Siswa Baru di SDN Sonopatik 1 Nganjuk
Nusantara of Enginering/Vol.3/No.1/ISSN: 2355-6684 41 Penerapan Metode Fuzzy Sugeno Dalam Pendaftaran Siswa Baru di SDN Sonopatik 1 Nganjuk Fajar Rohman Hariri Jurusan Teknik Informatika, Fakultas Teknik,
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 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 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 terperinciTahap Sistem Pakar Berbasis Fuzzy
Company LOGO Penalaran Mamdani dan Tsukamoto Pada pendekatan Fuzzy Inference System Departemen Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Pertanian Bogor 2011 www.company.com
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 terperinciEVALUASI KINERJA GURU DENGAN MENGGUNAKAN FUZZY INFERENCE SYSTEM (FIS) MAMDANI
EVALUASI KINERJA GURU DENGAN MENGGUNAKAN FUZZY INFERENCE SYSTEM (FIS) MAMDANI Karmila Suryani 1), Khairudin 2) 1) FKIP Universitas Bung Hatta Padang 2) FKIP Universitas Bung Hatta Padang e-mail: karmilasuryani.ptik@gmail.com,khaihatta@yahoo.com
Lebih 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 terperinciFUZZY INFERENCE SYSTEM DENGAN METODE TSUKAMOTO SEBAGAI PEMBERI SARAN PEMILIHAN KONSENTRASI (STUDI KASUS: JURUSAN TEKNIK INFORMATIKA UII)
FUZZY INFERENCE SYSTEM DENGAN METODE TSUKAMOTO SEBAGAI PEMBERI SARAN PEMILIHAN KONSENTRASI (STUDI KASUS: JURUSAN TEKNIK INFORMATIKA UII) Arkham Zahri Rakhman 1, Helmanatun Nisa Wulandari 2, Geralvin Maheswara
Lebih terperinciPENERAPAN METODE ALORITMA FUZZY MAMDANI PADA APLIKASI SPK PENENTUAN JUMLAH PRODUKSI BARANG CV.KURNIA ALAM DI JEPARA
PENERAPAN METODE ALORITMA FUZZY MAMDANI PADA APLIKASI SPK PENENTUAN JUMLAH PRODUKSI BARANG CV.KURNIA ALAM DI JEPARA Andreas Widiyantoro-NIM : A11.2009.04835 Program Studi Teknik Informatika Fakultas Ilmu
Lebih terperinciJURNAL SISTEM PENENTUAN HARGA PERCETAKAN FOTO DIGITAL MENGGUNAKAN FUZZY TSUKAMOTO DI ALIEF COMPUTER KOTA KEDIRI
JURNAL SISTEM PENENTUAN HARGA PERCETAKAN FOTO DIGITAL MENGGUNAKAN FUZZY TSUKAMOTO DI ALIEF COMPUTER KOTA KEDIRI PRICING SYSTEM USING DIGITAL PHOTO PRINTING ON FUZZY TSUKAMOTO ALIEF COMPUTER KEDIRI Oleh:
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 terperinciAnalisis Rule Inferensi Mamdani dalam Menentukan Beasiswa Peningkatan Prestasi Akademik ( PPA)
Analisis Rule Inferensi Mamdani dalam Menentukan Beasiswa Peningkatan Prestasi Akademik ( PPA) Khairul Saleh, M. Kom, Universitas Asahan; address, telp/fax of institution/affiliation Jurusan Teknik Informatika,
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 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 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 Fuzzy Metode Mamdani untuk Rekomendasi Pemilihan Minat Grup Riset Mahasiswa
Aplikasi Fuzzy Metode Mamdani untuk Rekomendasi Pemilihan Minat Grup Riset Mahasiswa Astrie Kusuma Dewi 1), Adhistya Erna Permanasari 2), Indriana Hidayah 3) 1), 2), 3) Jurusan Teknik Elektro dan Teknologi
Lebih terperinciMenentukan Jumlah Produksi Berdasarkan Permintaan dan Persediaan Dengan Logika Fuzzy Menggunakan Metode Mamdani
Menentukan Jumlah Produksi Berdasarkan Permintaan dan Persediaan Dengan Logika Fuzzy Menggunakan Metode Mamdani Anitaria Simanullang 1), Marlina Setia Sinaga 2) Jurusan Matematika FMIPA UNIMED anitaria.simanullang@gmail.com
Lebih 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 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 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 terperinci