BAB 2 LANDASAN TEORI
|
|
- Suhendra Atmadja
- 6 tahun lalu
- Tontonan:
Transkripsi
1 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 pendukung keputusan dimaksudkan untuk menjadi alat bantu bagi para pengambil keputusan untuk memperluas kapabilitas mereka, namun tidak untuk menggantikan penilaian mereka [10]. Menurut Herbert A.Simon, keputusan berada pada suatu rangkaian kesatuan, dengan keputusan terprogram (terstruktur) pada satu ujungnya dan keputusan tak terprogram (tak terstruktur) pada satu ujung lainnya. Keputusan terprogram merupakan keputusan yang biasanya bersifat berulang dan rutin, sehingga telah ada suatu prosedur pasti untuk menanganinya yang membuat keputusan tersebut tidak perlu diperlakukan sebagai sesuatu yang baru tiap kali terjadi. Berbeda dengan keputusan terprogram, untuk keputusan tidak terprogram biasanya selalu bersifat baru, tidak terstruktur dan jarang konsekuen, Untuk masalah seperti ini biasanya tidak ada metode yang pasti dalam menanganinya atau biasanya diperlukan perlakuan khusus untuk memecahkannya [9]. Pengaruh teknologi komputer terhadap organisasi dan masayarakat terus meningkat, dan semakin banyak aktivitas yang melibatkan manusia dan mesin. Perubahan ini terlihat dari penggunaan komputer yang biasanya bersifat tradisional seperti penggajian, dan tatabuku ke arah komputerisasi yang jauh lebih kompleks. Aplikasi komputer beralih dari aktivitas pemrosesan dan monitoring transaksi ke analisis masalah dan aplikasi solusi. Ada beberapa alasan dibutuhkannya komputer dalam membantu pengambilan keputusan [9], antara lain: 1. Lingkungan yang terus berubah dengan cepat, menyebabkan pengambilan keputusan semakin kompleks. 2. Alternatif yang tersedia semakin banyak karena teknologi dan komunikasi meningkat. 3. Biaya akibat kesalahan dalam pengambilan keputusan dapat menjadi besar karena kompleksitas operasi dan banyaknya automasi di masing-masing bagian organisasi. 4. Kemajuan dan kemudahan dalam mengakses internet memudahkan pencarian dan penerimaan informasi untuk membuat keputusan.
2 Sistem Pendukung Keputusan adalah sistem berbasis interaktif, yang membantu para pengambil keputusan untuk menggunakan data dan berbagai model untuk memecahkan masalah-masalah tidak terstruktur Tujuan dan Prinsip Dasar Sistem Pendukung Keputusan Tujuan dari penggunaan Sistem Pendukung Keputusan diutarakan oleh salah satu perintis, yaitu Peter G.W.Keen yang bekerja sama dengan Scott Morton. Keen dan Scott Morton mengemukakan bahwa Sistem Pendukung Keputusan merupakan suatu sistem sumber daya intelektual dari individu dengan kemampuan komputer untuk meningkatkan kualitas keputusan yang dihasilkan [3]. Menurut Kosasi ada 3 hal yang harus dicapai oleh sistem pendukung keputusan [3], yaitu: 1. Membantu manajer dalam membuat keputusan untuk memecahkan masalah semi terstruktur. 2. Mendukung penilaian manajer, bukan mencoba menggantikannya. 3. Meningkatkan efektifitas pengambilan keputusan manajer. Untuk mencapai tujuan dari sistem pendukung keputusan, maka prinsip dari sistem pendukung keputusan juga harus diterapkan [9], antara lain: 1. Struktur masalah, sistem pendukung keputusan harus diarahkan pada area dimana sebagian besar masalah berada. 2. Dukungan keputusan, sistem pendukung keputusan tidak dimaksudkan untuk menggantikan peran manajer, jadi sistem akan ditempatkan di area masalah yang terstruktur, sedangkan manajer tetap harus bertanggung jawab pada masalah yang tidak terstruktur. 3. Efektivitas keputusan, manfaat utama dari sistem pendukung keputusan adalah keputusan yang baik tanpa membuang waktu dari manajer Proses Pengambilan Keputusan Menurut Herbert A. Simon terdapat tiga fase dalam pengambilan keputusan [9], yaitu: 1. Fase Penalaran (Intelligence Phase) Tujuan dari fase ini adalah mengenali permasalahan, situasi dan peluang untuk mendapatkan rumusan masalah. Aktivitas yang dilakukan pada fase ini adalah: a. Identifikasi masalah, pada tahap ini dicari ketidakselarasan antara harapan dan kenyataan, penentuan masalah dengan melakukan pengamatan dan analisa terhadap produktifitas organisasi. b. Klasifikasi masalah, pada tahap ini setelah masalah berhasil diidentifikasi, maka dilakukan pengelompokan apakah masalah termasuk yang terstruktur atau yang tidak terstruktur. Hal ini dapat diketahui dari repetitif tidaknya masalah tersebut. c. Dekomposisi masalah, pada tahap ini masalah dipecahkan ke dalam sub masalah.
3 d. Kepemilikan masalah, pada tahap ini ditentukan apakah masalah tersebut benar milik organisasi, dan apakah masalah tersebut ada di dalam kendali perusahaan atau tidak. 2. Fase Perancangan Tujuan dari fase ini untuk menghasilkan dan menganalisa kemungkinan solusi untuk setiap masalah yang muncul. Aktivitas pada fase ini adalah: a. Pemodelan, pada tahap ini dilakukan pemodelan masalah dan menentukan abstraksi dari masalah apakah bersifat kualitatif dan kuantitatif. Tahap ini juga dimaksudkan untuk menyederhanakan masalah dengan cara membangun model dari masalah tersebut. Pada saat pembangunan model, harus ada keseimbangan, yaitu sederhana tapi tetap memenuhi kriteria masalah tersebut. b. Penentuan kriteria pemilihan, ada dua prinsip pemilihan yang paling sering digunakan, yaitu model normatif yang mencari solusi terbaik dari banyaknya kemungkinan solusi, dan model deskriptif yang mencari solusi dengan kategori cukup baik atau memuaskan tanpa harus optimal. c. Pencarian alternatif solusi, tahapan ini dilakukan setelah penentuan kriteria evaluasi alternatif untuk meminimalisir waktu dan tenaga dalam memilih aternatif solusi. d. Prediksi dan pengukuran dampak, berdasarkan penelitian, dikategorikan tiga situasi dalam pengambilan keputusan, yaitu: 1. Pengambilan keputusan dalam situasi pasti, umumnya terjadi dalam jangka waktu pendek. 2. Pengambilan keputusan dalam situasi beresiko, merupakan situasi di mana pembuat keputusan harus mempertimbangkan beberapa kemungkinan dampak untuk setiap alternatif, yang masingmasing mempunya probabilitas untuk terjadi. Analisis resiko dilakukan dengan menghitung nilai harapan untuk setiap alternatif dengan nilai harapan yang baik. 3. Pengambilan keputusan dalam situasi tidak pasti, merupakan situasi di mana pembuat keputusan harus mempertimbangkan beberapa kemungkinan dampak untuk setiap alternatif, di mana probabilitas kejadian untuk masing-masing alternatif tidak diketahui dan tidak dapat diperkirakan. Pemodelan dalam kondisi ini menuntut pengambil keputusan untuk berani ambil resiko. 3. Fase Pemilihan Pada fase pemilihan dilakukan pencarian alternatif solusi yang sesuai dan dapat dipakai untuk memecahkan masalah yang nyata. Pada saat pencarian alternatif ada beberapa 2 pendekatan yang dilakukan, yaitu normatif, dimana pendekatan dilakukan dengan rumus dan algoritma, dan deksriptif, dimana pendekatan dilakukan dengan melakukan pencarian heuristic atau pencarian buta.
4 2.2 Logika Fuzzy Konsep mengenai logika fuzzy diperkenalkan pertama kali oleh Prof. Lotfi Astor Zadeh pada tahun Pada saat diperkenalkan, dijelaskan bahwa logika fuzzy merupakan metodologi sistem kontrol untuk memecahkan masalah yang cocok diterapkan pada sistem, baik itu sistem yang sederhana, sistem kecil, jaringan PC, multi-channel dan atau workstation berbasis akuisisi data, dan termasuk sistem kontrol. Metodologi tersebut tidak hanya terbatas untuk diterapkan pada perangkat lunak saja, tetapi juga pada perangkat keras, dan bahkan kombinasi dari keduanya. Logika fuzzy merupakan perluasan dari logika klasik, dimana pada logika klasik dinyatakan segala sesuatu bersifat biner, yang artinya hanya memiliki dua kemungkinan, yaitu Ya atau Tidak, Benar atau Salah, Baik atau Buruk, dan 0 atau 1. Sedangkan, logika fuzzy didasarkan pada gagasan untuk memperluas jangkauan fungsi karakteristik sedemikian sehingga fungsi tersebut akan mencakup bilangan real pada interval [0,1]. Nilai keanggotaan menunjukkan bahwa suatu item dalam semesta pembicaraan tidak hanya berada pada 0 atau 1, namun juga nilai yang terletak di antaranya. Dengan kata lain, nilai kebenaran suatu item tidak hanya bernilai benar dan salah. Nilai 0 menunjukkan salah, nilai 1 menunujukkan benar, dan masih ada nilai-nilai yang terletak antar benar dan salah dengan derajat keanggotaan tertentu [4]. Logika fuzzy memiliki kelebihan tersendiri yang menyebabkan logika ini lebih sering digunakan, yaitu kemampuan dari logika fuzzy itu sendiri untuk melakukan penalaran secara bahasa, sehingga pada saat tahapan perancangan tidak diperlukan persamaan matematika yang rumit. Selain kelebihan di atas, logika fuzzy juga dikenal sebagai salah satu logika yang mudah dimengerti, memiliki toleransi terhadap data yang tidak tepat, mampu memodelkan fungsi non-linear yang kompleks, serta dapat membangun dan mengaplikasikan pengalaman para pakar secara langsung tanpa harus melalui proses pelatihan. Secara umum, dalam sistem logika Fuzzy ada tiga elemen dasar menurut Kusumadewi [4], yaitu: 1. Fuzzification Merupakan proses mengubah masukan-masukan yang nilai keluarannya bersifat pasti ke dalam bentuk fuzzy input. 2. Inference Merupakan proses penalaran dengan menggunakan nilai Fuzzy input dan Fuzzy rules yang telah ditentukan sebelumnya untuk menghasilkan Fuzzy output. Inferensi terdiri dari knowledge (penalaran yang dinyatakan dalam aturan tertentu), pencarian fakta dan penentuan konklusi (keputusan berdasarkan ilmu pengetahuan dan fakta). 3. Deffuzification
5 Merupakan proses mengubah Fuzzy output menjadi nilai pasti Dasar Logika Fuzzy Untuk menerapkan logika fuzzy, terdapat beberapa komponen yang harus diperhatikan [4], antara lain: 1. Variabel fuzzy, adalah variabel yang akan dibahas dalam penerapan sistem fuzzy. Contoh: ukuran layar, RAM, kamera, dsb. 2. Himpunan fuzzy, adalah kelompok yang mewakili keadaan tertentu dalam suatu variabel fuzzy. Contoh: variabel kamera dibagi menjadi 3 himpunan fuzzy, yaitu: rendah, normal, dan tinggi. 3. Semesta pembicaraan, adalah seluruh nilai yang diizinkan untuk dioperasikan dalam suatu variabel fuzzy. 4. himpunan fuzzy, adalah seluruh nilai yang diizinkan dalam semesta pembicaraan dan boleh dioperasikan dalam suatu himpunan fuzzy. 2.3 Fungsi Keanggotaan Dalam Logika fuzzy, fungsi keanggotaan berfungsi sebagai grafik / kurva yang mewakili besar dari derajat keanggotaan masing-masing variabel input yang berada dalam interval antara 0 dan 1. Fungsi keanggotaan berfungsi untuk membangkitkan nilai (derajat) keanggotaan. Derajat keanggotaan tersebut biasanya dilambangkan dengan µ(x). Setelah mengetahui himpunan fuzzy dan fungsi keanggotaannya, selanjutnya harus ditentukan bagaimana himpunan tersebut merepresentasikan pengetahuan. Ada beberapa representasi yang dapat digunakan, yaitu representasi linear, representasi kurva segitiga, representasi kurva trapesium, representasi kurva bentuk bahu, representasi kurva-s dan representasi kurva bentuk lonceng (bell curve) Grafik Keanggotaan Kurva Linear Pada grafik jenis ini, variabel input dipetakan ke derajat keanggotaannya dengan penggambaran sebagai suatu garis lurus. Untuk kurva linear, ada dua macam grafik. Pertama, grafik keanggotan kurva linear naik, yaitu kenaikan himpunan fuzzy dimulai pada nilai domain yang memiliki derajat keanggotaan nol [0] bergerak ke kanan menuju ke nilai dimain yang memiliki derajat keanggotaan lebih tinggi.
6 Derajat Keanggotaan µ(x) a b Gambar 2.1 Grafik Keanggotaan Kurva Linear Naik Fungsi keanggotaan dari grafik keanggotaan kurva linear naik adalah sebagai berikut: Kedua, grafik keanggotaan kurva linear turun, yaitu himpunan fuzzy dimulai dari nilai domain dengan derajat keanggotaan lebih rendah Derajat Keanggotaan µ(x) a b Gambar 2.2 Grafik Keanggotaan Kurva Linear Turun Fungsi Keanggotaan dari grafik keanggotaan kurva linear turun adalah sebagai berikut: Grafik Keanggotaan Kurva Segitiga Kurva segitiga merupakan gabungan antara dua garis linear.
7 Derajat Keanggotaan µ(x) a b c Gambar 2.3 Grafik Keanggotaan Kurva Segitiga Fungsi Keanggotaan dari grafik keanggotaan kurva segitiga adalah sebagai berikut: Grafik Keanggotaan Kurva Trapesium Merupakan grafik dengan bentuk hampir sama seperti segitiga tetapi dengan beberapa titik tambahan yang memiliki nilai keanggotaan Derajat Keanggotaan µ(x) a b c d Gambar 2.4 Grafik Keanggotaan Kurva Trapesium Fungsi keanggotaan dari grafik keanggotaan kurva trapesium adalah sebagai berikut:
8 2.3.4 Grafik Keanggotaan Kurva Bentuk Bahu Merupakan kurva yang biasanya digunakan untuk mengakhiri variabel suatu daerah fuzzy yang nilai derajat keanggotaannya adalah konstan. Derajat Keanggotaan µ(x) Kecil Bahu Kiri Sedang a b c Besar Bahu Kanan Gambar 2.5 Grafik Keanggotaan Kurva Bentuk Bahu Kecil: Fungsi keanggotaan dari grafik keanggotaan kurva bentuk bahu adalah sebagai berikut: Sedang: Besar: Grafik Keanggotaan Kurva-S (Sigmoid) Kurva-s digunakan untuk merepresentasikan pertumbuhan dan penyusutan, merupakan kurva sigmoid yang berhubungan dengan kenaikan dan penurunan permukaan secara tak linear. Kurva-S didefenisikan dengan menggunakan 3 parameter, yaitu nilai keanggotaan nol (α), nilai keanggotaan lengkap (γ), dan titik infleksi atau crossover (β) yaitu titik yang memiliki domain 50% benar.
9 Derajat keanggotaan µ(0,5) Titik infleksi = 0 Titik infleksi = β Titik infleksi = 1(γ) Gambar 2.6 Grafik Keanggotaan Kurva-S (Sigmoid) Fungsi keanggotaan dari grafik keanggotaan kurva-s (sigmoid) adalah sebagai berikut: Grafik Keanggotaan Kurva Bentuk Lonceng (Bell Curve) Kurva berbentuk lonceng merupakan kurva yang digunakan untuk merepresentasikan bilangan fuzzy dan terbagi menjadi 3, yaitu kurva Phi, kurva Beta, dan kurva Gauss yang masing-masing dibedakan oleh gradien yang dibentuknya Kurva Phi Kurva Phi berbentuk lonceng dengan derajat keanggotaan 1 terletak pada pusat dengan domain (γ) dan setengah lebar (β). Nilai kurva untuk suatu nilai domain x dadapt dilhat pada gambar 2.7. Derajat keanggotaan µ(0,5) Pusat γ Lebar (β) Titik infleksi
10 Gambar 2.7 Kurva Phi Fungsi keanggotaan dari kurva Phi yang merupakan grafik keanggotaan kurva bentuk lonceng adalah sebagai berikut: Kurva Beta Seperti halnya kurva Phi, kurva beta juga berbentuk lonceng namun lebih rapat. Kurva ini juga didefenisikan dengan 2 parameter, yaitu nilai pada domain yang menunjukkan pusat kurva (γ), dan setengah lebar kurva (β). Nilai kurva untuk suatu nilai domain x dapat dilihat pada gambar 2.8. Pusat γ Derajat keanggotaan µ[x] 1 0,5 0 Titik infleksi (γ-β) Titik infleksi (γ+β) Gambar 2.8 Kurva Beta Fungsi keanggotaan dari kurva Beta yang merupakan grafik keanggotaan kurva bentuk lonceng adalah sebagai berikut: Kurva Gauss Jika kurva Phi dan kurva Beta menggunakan 2 parameter yaitu (γ) dan (β), kurva Gauss juga menggunakan (γ) untuk menunjukkan nilai domain pada pusat kurva, dan (k) yang menunjukkan lebar kurva. Nilai kurva untuk suatu domain x dapat dilihat pada gambar 2.9.
11 Pusat γ Derajat keanggotaan µ[x] 1 0,5 0 Lebar k Gambar 2.9 Kurva Gauss Fungsi keanggotaan dari kurva Gauss yang merupakan grafik keanggotaan kurva bentuk lonceng adalah sebagai berikut: 2.4 Operasi Himpunan Fuzzy Operasi himpunan fuzzy dibutuhkan untuk proses inferensi atau proses penalaran. Dalam pross penalaran, yang dioperasikan adalah derajat keanggotaannya. Derajat keanggotaan yang didapatkan dari hasil operasi dua buah himpunan fuzzy disebut fire strength atau α- predikat. Berikut ini operasi dasar yang paling sering digunakan untuk mengombinasi dan memodifikasi himpunan fuzzy Operasi Gabungan (Union) Merupakan operasi yang menggunakan operator OR. Misal, operasi gabungan dari himpunan fuzzy A dan B dapat dinyatakan sebagai A B. Fuzzy menyebutnya operasi Max. Derajat keanggotaannya adalah sebagai berikut: µ A µ B = max(µ A [x], µ B [x]) = (µ A [x] µ B [x]) Operasi Irisan (Intersection) Merupakan operasi yang menggunakan operator AND. Misal, operasi irisan dari himpunan fuzzy A dan B dinyatakan sebagai A B. Fuzzy menyebutnya operasi Min. Derajat keanggotaannya adalah sebagai berikut: µ A µ B = min(µ A [x], µ B [x]) = (µ A [x] µ B [x])
12 2.4.3 Operasi Komplemen (Complement) Merupakan negasi atau lawan dari suatu himpunan fuzzy. Derajat keanggotaannya adalah sebagai berikut: µ A = 1- µ A [x] 2.5 Metode Sistem Inferensi Fuzzy Menurut Kusumadewi, Ada tiga metode dalam sistem inferensi fuzzy yang bisa digunakan untuk penerapan sistem pendukung keputusan, yaitu metode Tsukamoto, metode Mamdani, dan metode Sugeno [4], dan penjelasan mengenai ketiga metode tersebut adalah sebagai berikut: 1. Metode Min Max (Mamdani) Pada metode Min Max, solusi antar himpunan didapat dengan mengambil nilai minimum atau maksimum. Nilai yang didapat akan digunakan untuk memodifikasi daerah fuzzy dan mengaplikasikannya dengan menggunakan operator AND atau OR. Jika menggunakan operator AND, maka disebut metode minimum, dan jika menggunakan operator OR, disebut metode maksimum. 2. Metode Additive (Tsukamoto) Pada metode Tsukamoto, setiap aturan direpresentasikan dengan menggunakan himpunan fuzzy yang memiliki fungsi keanggotaan yang monoton. Aturan yang digunakan pada metode ini berbentuk IF- THEN. 3. Metode Sugeno Metode Takagi-Sugeno adalah metode dengan mengasumsikan suatu sistem dengan m input, yaitu X1, X2,,Xm dan satu output, yaitu Y. Metode fuzzy dari sistem ini terdiri atas basis aturan dengan n aturan penarikan kesimpulan fuzzy. Dengan kata lain untuk metode ini output sistem tidak berupa himpunan fuzzy, melainkan hanya konstanta atau persamaan linear. 2.6 Penegasan (defuzzyfication) dalam Metode Mamdani Masukan dari proses defuzzyfication adalah suatu himpunan fuzzy yang diperoleh dari komposisi aturanaturan fuzzy, sedangkan keluaran yang dihasilkan merupakan suatu bilangan pada domain himpunan fuzzy tersebut. Sehingga jika diberikan suatu himpunan fuzzy dalam range tertentu sebagai output maka akan terlihat seperti pada Gambar 2.10.
13 Gambar 2.10 Penegasan Metode Fuzzy Ada beberapa metode defuzzyfication pada komposisi aturan dari metode Mamdani [4], antara lain: 1. Metode Centroid (Composite Moment) Pada metode centroid solusi crisp diperoleh dengan cara mengambil titik pusat daerah fuzzy. 2. Metode Bisektor Pada metode bisektor solusi crisp diperoleh dengan cara mengambil nilai pada domain yang memiliki nilai keanggotaan setengah dari jumlah total nilai keanggotaan pada daerah fuzzy. 3. Metode Mean of Maximum (MOM) Pada metode mean of maximum solusi crisp diperoleh dengan cara mengambil nilai rata-rata domain yang memiliki nilai keanggotaan maksimum. 4. Metode Largest of Maximum (LOM) Pada metode largest of maximum solusi crisp diperoleh dengan cara mengambil nilai terbesar dari domain yang memiliki nilai keanggotaan maksimum. 5. Metode Smallest of Maximum (SOM) Pada metode smallest of maximum solusi crisp diperoleh dengan cara mengambil nilai terkecil dari domain yang memiliki nilai keanggotaan maksimum. 2.7 Penelitian Terkait Penelitian yang dilakukan oleh Habrul Leini Lubis, dalam judul skripsi Perhitungan Kebutuhan Bahan Material pada suatu Proyek Pembangunan Rumah Menggunakan Logika Fuzzy Metode Sugeno. Penelitian ini menjelaskan bagaimana penerapan logika fuzzy dengan salah satu metodenya yaitu metode Sugeno dapat membantu memudahkan perhitungan kebutuhan material dalam proyek pembangunan rumah. Pada skripsinya itu, Habrul menjelaskan bahwa dengan penentuan variabel yang tepat untuk setiap material yang dibutuhkan, maka pengambilan keputusan untuk membangun tipe rumah yang seperti apa dapat dilakukan dengan mudah oleh calon pemilik rumah [5].
14 Penelitian yang dilakukan oleh Yuni Widhiastiwi, dalam jurnal yang berjudul Model Fuzzy dengan metode Tsukamoto. Dari penelitian ini, Yuni membandingkan antara metode Mamdani, Sugeno dan Tsukamoto, dan menjelaskan bahwa kurangnya transparansi pada metode Tsukamoto menyebabkan penggunaannya tidak seluas metode yang lain yaitu Metode inferensi fuzzy Mamdani dan Sugeno [11]. Penelitian yang dilakukan oleh Ginanjar Abdurrahman, dalam judul skripsi Penerapan Metode Tsukamoto (Logika Fuzzy) dalam Sistem Pendukung Keputusan untuk Menentukan Jumlah Produksi Barang Berdasarkan Data Persediaan dan Jumlah Permintaan. Penelitian ini menjelaskan bahwa logika fuzzy juga dapat digunakan untuk pengambilan keputusan dalam menentukan jumlah produksi. Ginanjar juga menjelaskan aturan IF-THEN merepresentasikan setiap konsekuen pada aturan dengan himpunan fuzzy dengan keanggotaan yang monoton. Dalam penelitian ini Ginanjar menggunakan data persediaan barang dan jumlah permintaan untuk menentukan jumlah produksi yang akan dilakukan [1]. Selain itu, penelitian yang dilakukan oleh Fauzan Masykur, dalam judul tesis Implementasi Sistem Pakar Diagnosis Penyakit Diabetes Mellitus Menggunakan Metode Fuzzy Logic Berbasis Web. Dalam penelitian ini Fauzan menggunakan kaidah JIKA-MAKA (IF- THEN), atau dengan kata lain menggunakan metode Sugeno. Variabel yang digunakan adalah kadar glukosa darah dalam keadaan puasa dan tidur, kadar insulin, kadar kolesterol HDL, dan kadar trigliserida. Dari hasil penelitian ini, Fauzan membantu pasien untuk mengetahui diagnosis penyakit Diabetes Mellitus dari hasil laboratorium dan dibantu dengan hasil pemeriksaan dari dokter [6]. Penelitian yang dilakukan oleh Dwi Nugroho, dalam judul tesis Aplikasi Pemilihan Smartphone Menggunakan Metode Logika Fuzzy Berbasis Web. Dalam penelitian ini, tidak diketahui jenis metode logika fuzzy yang digunakan dalam proses pemilihan smartphone. Kriteria yang digunakan dalam penelitian ini adalah harga, processor, kamera, dan memori internal [8].
Erwien Tjipta Wijaya, ST.,M.Kom
Erwien Tjipta Wijaya, ST.,M.Kom PENDAHULUAN Logika Fuzzy pertama kali dikenalkan oleh Prof. Lotfi A. Zadeh tahun 1965 Dasar Logika Fuzzy adalah teori himpunan fuzzy. Teori himpunan fuzzy adalah peranan
Lebih terperinciBAB 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 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 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 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 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 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 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 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 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 terperinciKECERDASAN BUATAN (Artificial Intelligence) Materi 8. Entin Martiana
Logika Fuzzy KECERDASAN BUATAN (Artificial Intelligence) Materi 8 Entin Martiana 1 Kasus fuzzy dalam kehidupan sehari-hari Tinggi badan saya: Andi menilai bahwa tinggi badan saya termasuk tinggi Nina menilai
Lebih terperinciBAB 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 II: TINJAUAN PUSTAKA
BAB II: TINJAUAN PUSTAKA Bab ini akan memberikan penjelasan awal mengenai konsep logika fuzzy beserta pengenalan sistem inferensi fuzzy secara umum. 2.1 LOGIKA FUZZY Konsep mengenai logika fuzzy diawali
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Logika Fuzzy Logika fuzzy merupakan suatu metode pengambilan keputusan berbasis aturan yang digunakan untuk memecahkan keabu-abuan masalah pada sistem yang sulit dimodelkan
Lebih terperinciBAB 2 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 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 terperinciPenerapan Metode Fuzzy Mamdani Pada Rem Otomatis Mobil Cerdas
Penerapan Metode Fuzzy Mamdani Pada Rem Otomatis Mobil Cerdas Zulfikar Sembiring Jurusan Teknik Informatika, Fakultas Teknik, Universitas Medan Area zoelsembiring@gmail.com Abstrak Logika Fuzzy telah banyak
Lebih terperinciBAB II LANDASAN TEORI. 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 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 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 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 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 terperinciLOGIKA FUZZY FUNGSI KEANGGOTAAN
LOGIKA FUZZY FUNGSI KEANGGOTAAN FUNGSI KEANGGOTAAN (Membership function) adalah suatu kurva yang menunjukkan pemetaan titik-titik input data ke dalam nilai/derajat keanggotaannya yang memiliki interval
Lebih terperinciBAB 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 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 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 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 terperinci( ) ( ;,, ) Π(,, ) ( ;, ) ( ;, ) ( ) BAB I PENDAHULUAN A. Latar Belakang Masalah Provinsi Daerah Istimewa Yogyakarta merupakan salah satu kota tujuan wisata yang cukup menarik minat para wisatawan baik
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 terperinciLogika fuzzy pertama kali dikembangkan oleh Lotfi A. Zadeh melalui tulisannya pada tahun 1965 tentang teori himpunan fuzzy.
LOGIKA FUZZY UTHIE Pendahuluan Logika fuzzy pertama kali dikembangkan oleh Lotfi A. Zadeh melalui tulisannya pada tahun 1965 tentang teori himpunan fuzzy. Lotfi Asker Zadeh adalah seorang ilmuwan Amerika
Lebih terperinciANALISIS KEPUASAN KONSUMEN BERDASARKAN TINGKAT PELAYANAN DAN HARGA KAMAR MENGGUNAKAN APLIKASI FUZZY DENGAN MATLAB 3.5.
ANALISIS KEPUASAN KONSUMEN BERDASARKAN TINGKAT PELAYANAN DAN HARGA KAMAR MENGGUNAKAN APLIKASI FUZZY DENGAN MATLAB 3.5. Indah Pratiwi Jurusan Teknik Industri, Universitas Muhammadiyah Surakarta Jl. A. Yani
Lebih terperinciSPK PENENTUAN TINGKAT KEPUASAN KONSUMEN PADA RESTORAN XYZ
SPK PENENTUAN TINGKAT KEPUASAN KONSUMEN PADA RESTORAN XYZ P.A Teknik Informatika Universitas Ahmad Dahlan Yogyakarta Kampus 3 UAD, Jl. Prof. Soepomo rochmahdyah@yahoo.com Abstrak Perkembangan teknologi
Lebih terperinciBAB 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 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 A. Kelapa Sawit Kelapa sawit adalah tumbuhan industri/ perkebunan yang berguna sebagai penghasil minyak masak, minyak industri, maupun bahan bakar. Pohon Kelapa Sawit terdiri dari
Lebih terperinciBAB IV METODOLOGI. Gambar 4.1 Model keseimbangan air pada waduk (Sumber : Noor jannah,2004)
BAB IV METODOLOGI 4.1 Sistem Pengoperasian Waduk. Tujuan di bangun suatu sistem waduk sangat mempengaruhi strategi pengoperasian sistem waduk yang bersangkutan. Dalam mengembangkan model optimasi pengoperasian
Lebih terperinciBAB 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 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 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 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 terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Bab landasan teori bertujuan untuk memberikan penjelasan mengenai metode atau pun teori yang digunakan dalam laporan tugas akhir ini, sehingga dapat membangun pemahaman yang sama antara
Lebih 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 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 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 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 terperinciAPLIKASI MODEL FUZZY DALAM PREDIKSI PRODUKSI TELUR AYAM PETELUR DI KABUPATEN SLEMAN
APLIKASI MODEL FUZZY DALAM PREDIKSI PRODUKSI TELUR AYAM PETELUR DI KABUPATEN SLEMAN SKRIPSI Diajukan Kepada Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Negeri Yogyakarta Untuk Memenuhi Sebagian
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 III TEORI DAN PENGONTOR BERBASIS LOGIKA FUZZI
Bab III TEORI DAN PENGONTOR BERBASIS LOGIKA FUZZI III.1 Teori Logika fuzzi III.1.1 Logika fuzzi Secara Umum Logika fuzzi adalah teori yang memetakan ruangan input ke ruang output dengan menggunakan aturan-aturan
Lebih 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 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
6 BAB 2 LANDASAN TEORI 2.1 Logika Fuzzy 2.1.1 Pendahuluan Titik awal dari konsep modern mengenai ketidakpastian adalah paper yang dibuat oleh Lofti A Zadeh, di mana Zadeh memperkenalkan teori yang memiliki
Lebih 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 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 terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.. Logika Klasik Notasi logika fuzzy didasarkan dari logika klasik atau sering juga disebut sebagai himpunan tegas (crisp) dengan mengubah menjadi notasi kalkulus, dengan demikian
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 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 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 terperincike dalam suatu ruang output. Orang yang belum pernah mengenal logika fuzzy pasti
BAB II LANDASAN TEORI 2.1 Logika Fuzzy Logika fuzzy adalah suatu cara yang tepat untuk memetakan suatu ruang input ke dalam suatu ruang output. Orang yang belum pernah mengenal logika fuzzy pasti akan
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 terperinciSISTEM INFERENSI FUZZY (METODE TSUKAMOTO) UNTUK PENENTUAN KEBUTUHAN KALORI HARIAN OLEH
KECERDASAN BUATAN SISTEM INFERENSI FUZZY (METODE TSUKAMOTO) UNTUK PENENTUAN KEBUTUHAN KALORI HARIAN OLEH AMARILIS ARI SADELA (E1E1 10 086) SITI MUTHMAINNAH (E1E1 10 082) SAMSUL (E1E1 10 091) NUR IMRAN
Lebih terperinciBAB 2 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 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 terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Persediaan 2.1.1 Pengertian Persediaan Persediaan adalah bahan atau barang yang disimpan yang akan digunakan untuk digunakan memenuhi tujuan tertentu, misalnya untuk proses produksi
Lebih terperinciBAB 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 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 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 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 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 terperinciBAB II KAJIAN PUSTAKA. 1. Pengertian Penyakit Jantung Koroner (Coronary Heart Disease) jaringan pembuluh lebih kecil yang efisien (Iman, 2001:13).
BAB II KAJIAN PUSTAKA A. Penyakit Jantung Koroner 1. Pengertian Penyakit Jantung Koroner (Coronary Heart Disease) Penyakit Jatung Koroner (PJK) adalah suatu kelainan yang disebabkan oleh penyempitan atau
Lebih terperinciBAB II KAJIAN TEORI. Berikut diberikan landasan teori mengenai teori himpunan fuzzy, program
BAB II KAJIAN TEORI Berikut diberikan landasan teori mengenai teori himpunan fuzzy, program linear, metode simpleks, dan program linear fuzzy untuk membahas penyelesaian masalah menggunakan metode fuzzy
Lebih terperinciBAB II LANDASAN TEORI. Dalam bab ini dibahas beberapa definisi dan konsep-konsep yang
BAB II LANDASAN TEORI Dalam bab ini dibahas beberapa definisi dan konsep-konsep yang digunakan untuk membahas aplikasi PLFTG untuk investasi portofolio saham. A. Pemrograman Linear Pemrograman matematis
Lebih terperinciInstitut Teknologi Sepuluh Nopember Surabaya
Aplikasi Sistem Inferensi Fuzzy Metode Sugeno dalam Memperkirakan Produksi Air Mineral dalam Kemasan Oleh Suwandi NRP 1209201724 Dosen Pembimbing 1. Prof. Dr M. Isa Irawan, MT 2. Dr Imam Mukhlash, MT Institut
Lebih 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 terperinciKOTAK HITAM. Pemetaan input-output pada masalah produksi Diberikan data persediaan barang, berapa jumlah barang yang harus diproduksi?
LOGIKA FUZZY 7 7. PENDAHULUAN Orang yang belum pernah mengenal logika fuzzy pasti akan mengira bahwa logika fuzzy adalah sesuatu yang amat rumit dan tidak menyenangkan. Namun, sekali seseorang mulai mengenalnya,
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN PEMILIHAN HANDPHONE BERDASARKAN KEBUTUHAN KONSUMEN MENGGUNAKAN LOGIKA FUZZY. Abstraksi
SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN HANDPHONE BERDASARKAN KEBUTUHAN KONSUMEN MENGGUNAKAN LOGIKA FUZZY Denny Cristiono T.S., Yugowati P.,Sri Yulianto J.P. Fakultas Teknologi Informasi Universitas Kristen
Lebih terperinciSTUDY TENTANG APLIKASI FUZZY LOGIC MAMDANI DALAM PENENTUAN PRESTASI BELAJAR SISWA (STUDY KASUS: SMP PEMBANGUNAN NASIONAL PAGAR MERBAU)
STUDY TENTANG APLIKASI FUZZY LOGIC MAMDANI DALAM PENENTUAN PRESTASI BELAJAR SISWA (STUDY KASUS: SMP PEMBANGUNAN NASIONAL PAGAR MERBAU) Desi Vinsensia Program Studi Teknik Informatika STMIK Pelita Nusantara
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.. Penelitian Terdahulu Penelitian yang dilakukan oleh Wardini (27) berjudul Pengembangan Model prestasi kerja berbasis Kompetensi, yang menerangkan bahwa perlu dilakukan perancangan
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 terperinciBAB II TINJAUAN PUSTAKA
5 BAB II TINJAUAN PUSTAKA 2.1. Logika Fuzzy Logika fuzzy merupakan suatu metode pengambilan keputusan berbasis aturan yang digunakan untuk memecahkan keabu-abuan masalah pada sistem yang sulit dimodelkan
Lebih 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 terperinciLOGIKA FUZZY PADA PROSES PELET PAKAN IKAN
LOGIKA FUZZY PADA PROSES PELET PAKAN IKAN Agung Saputra 1), Wisnu Broto 2), Ainil Syafitri 3) Prodi Elektro Fakultas Teknik Univ. Pancasila, Srengseng Sawah Jagakarsa, Jakarta, 12640 Email: 1) agungsap2002@yahoo.com
Lebih terperincimanusia diantaranya penyakit mata konjungtivitis, keratitis, dan glaukoma.
6 BAB II TINJAUAN PUSTAKA 2.1 Gambaran Tentang Mata Mata merupakan organ tubuh manusia yang paling sensitif apabila terkena benda asing misal asap dan debu. Debu akan membuat mata kita terasa perih atau
Lebih 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 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 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 terperinciPENENTUAN JUMLAH PRODUKSI DENGAN APLIKASI METODE FUZZY MAMDANI
PENENTUAN JUMLAH PRODUKSI DENGAN APLIKASI METODE FUZZY MAMDANI Much. Djunaidi Jurusan Teknik Industri Universitas Muhammadiyah Surakarta Jl. Ahmad Yani Tromol Pos 1 Pabelan Surakarta email: joned72@yahoo.com
Lebih terperinciBAB 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. Dalam hidup sehari-hari, banyak hal-hal yang saling berpasangan, seperti hitam
BAB 2 LANDASAN TEORI 2. Konsep Dasar Himpunan Fuzzy (Fuzzy Sets) Dalam hidup sehari-hari, banyak hal-hal yang saling berpasangan, seperti hitam dengan putih, ya dengan tidak, benar dengan salah, tua dengan
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 terperinciBab 2 LANDASAN TEORI
Bab 2 LANDASAN TEORI 2.1 Persediaan 2.1.1 Definisi Persediaan Persediaan adalah bahan atau barang yang disimpan yang akan digunakan untuk memenuhi tujuan tertentu, misalnya untuk proses produksi atau perakitan,
Lebih terperinciIMPLEMENTASI LOGIKA FUZZY MAMDANI UNTUK MENENTUKAN HARGA GABAH
LAPORAN TUGAS AKHIR IMPLEMENTASI LOGIKA FUZZY MAMDANI UNTUK MENENTUKAN HARGA GABAH Laporan ini disusun Guna memenuhi salah satu syarat untuk menyelesaikan program studi Teknik Informatika S-1 pada Fakultas
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 terperinciMETODOLOGI PENELITIAN
7 terboboti dari daerah output fuzzy. Metode ini paling dikenal dan sangat luas dipergunakan. First of Maxima (FoM) dan Last of Maxima (LoM) Pada First of Maxima (FoM), defuzzifikasi B( y) didefinisikan
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Logika Fuzzy Teori himpunan logika samar dikembangkan oleh Prof. Lofti Zadeh pada tahun 1965. Zadeh berpendapat bahwa logika benar dan salah dalam logika konvensional tidak dapat
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 terperinciANALISA SISTEM PENILAIAN TINGKAT KUALITAS PENGAJAR MENGGUNAKANLOGIKA FUZZY MAMDANI (STUDI KASUS PADA POLIBAN)
Jurnal INTEKNA (Edisi Khusus), Tahun XIII, No. 3, Desember 23 : 279-285 ANALISA SISTEM PENILAIAN TINGKAT KUALITAS PENGAJAR MENGGUNAKANLOGIKA FUZZY MAMDANI (STUDI KASUS PADA POLIBAN) Lea Emilia Farida ()
Lebih 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 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 terperinci