BAB 2 LANDASAN TEORI

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].