Tahap Sistem Pakar Berbasis Fuzzy

dokumen-dokumen yang mirip
Fuzzy Expert Sistem. Departemen Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Pertanian Bogor 2015

Praktikum sistem Pakar Fuzzy Expert System

PENALARAN FUZZY SISTEM PAKAR DEPARTEMEN ILMU KOMPUTER INSTITUT PERTANIAN BOGOR 2012

PENGEMBANGAN SISTEM PAKAR FUZZY

Praktikum 10 Tim Asisten Praktikum Sistem Pakar

MATLAB, Penalaran Mamdani

Contoh Kasus. Bagus Ilhami HIdayat

METODOLOGI PENELITIAN

FUZZY SYSTEM & FUZZY REASONING DEPARTEMEN ILMU KOMPUTER IPB

4-5-FUZZY INFERENCE SYSTEMS

Praktikum Sistem Pakar Jumat 16 Desember 2013 Pertemuan 12. Tabel 1. Rancangan Variabel fuzzy Fungsi Nama Variabel Rentang Nilai Keterangan

BAB 1 PENDAHULUAN. Logika fuzzy memberikan solusi praktis dan ekonomis untuk mengendalikan

Untuk dapat lebih memahani fuzzy Tsukamoto, berikut contoh kasus :

BAB III METODE PENELITIAN

Sistem Inferensi Fuzzy

BAB 2 TINJAUAN PUSTAKA

BAB II: TINJAUAN PUSTAKA

Penerapan Metode Fuzzy Mamdani Pada Rem Otomatis Mobil Cerdas

ARTIFICIAL INTELLIGENCE MENENTUKAN KUALITAS KEHAMILAN PADA WANITA PEKERJA

Metode Fuzzy Inference System untuk Penilaian Kinerja Pegawai Perpustakaan dan Pustakawan

IV PENGEMBANGAN FUZZY INFERENSI SISTEM SELEKSI METODE EOR

DENIA FADILA RUSMAN

BAB 2 TINJAUAN PUSTAKA

Erwien Tjipta Wijaya, ST.,M.Kom

SISTEM PENDUKUNG KEPUTUSAN PENERIMAAN BEASISWA BIDIK MISI DI POLITEKNIK NEGERI JEMBER MENGGUNAKAN LOGIKA FUZZY

Sebelumnya... Penalaran pada Sistem Pakar. Ketidakpastian dalam Sistem Pakar. Contoh forward chaining & backward chaining

Sebelumnya... Penalaran pada Sistem Pakar. Ketidakpastian dalam Sistem Pakar. Contoh forward chaining & backward chaining

SPK PENENTUAN TINGKAT KEPUASAN KONSUMEN PADA RESTORAN XYZ

Penerapan FuzzyTsukamotodalam Menentukan Jumlah Produksi

BAB IV PEMBAHASAN. BAB IV berisi pembahasan tahapan penelitian, yaitu klasifikasi logika. A. Identifikasi Data Cadangan Hidrokarbon

Kata kunci: Sistem pendukung keputusan metode Sugeno, tingkat kepribadian siswa

Logika Fuzzy. Farah Zakiyah Rahmanti 2016

Jurnal String Vol. 1 No. 1 Tahun 2016 ISSN: MODEL EVALUASI KINERJA KARYAWAN DENGAN METODE FUZZY SUGENO PADA RESTO ABTL

BAB 2 LANDASAN TEORI

PENENTUAN TINGKAT PELUNASAN PEMBAYARAN KREDIT PEMILIKAN MOBIL DI PT AUTO 2000 MENGGUNAKAN FUZZY MAMDANI

Aplikasi Prediksi Harga Bekas Sepeda Motor Yamaha. Menggunakan Fuzzy Logic

REKOMENDASI PEMILIHAN LAPTOP MENGGUNAKAN SISTEM INFERENSI FUZZY TSUKAMOTO

PERBANDINGAN METODE TSUKAMOTO, METODE MAMDANI DAN METODE SUGENO UNTUK MENENTUKAN PRODUKSI DUPA (Studi Kasus : CV. Dewi Bulan)

HASIL DAN PEMBAHASAN. masukan (input) yang digunakan dalam mengembangkan Fuzzy Inference System seperti yang disajikan pada Gambar 10 berikut :

MENENTUKAN HARGA MOBIL BEKAS TOYOTA AVANZA MENGGUNAKAN METODE TSUKAMOTO

Analisis Fungsi Keanggotaan Fuzzy Tsukamoto Dalam Menentukan Status Kesehatan Tubuh Seseorang

: Pengantar Intelegensi Buatan. Worksheet 2 : Praktikum Fuzzy Logic menggunakan MATLAB

Matematika Diskrit Fuzzy Inference System Prodi T.Informatika

BAB II TINJAUAN PUSTAKA

PENDAHULUAN A. LATAR BELAKANG MASALAH

MODUL 8 APLIKASI NEURAL NETWORK DAN FUZZY LOGIC PADA PERKIRAAN CUACA

Oleh: ABDUL AZIS JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA 2013

SIDANG TUGAS AKHIR IMPLEMENTASI FUZZY RULES UNTUK PERENCANAAN DAN PENENTUAN PRIORITAS DI PDAM KOTA SURABAYA. oleh: WINDA ZULVINA

BAB II LANDASAN TEORI. papernya yang monumental Fuzzy Set (Nasution, 2012). Dengan

SISTEM INFERENSI FUZZY (METODE TSUKAMOTO) UNTUK PENENTUAN KEBUTUHAN KALORI HARIAN OLEH

BAB 2 TINJAUAN PUSTAKA

Bab III TEORI DAN PENGONTOR BERBASIS LOGIKA FUZZI

BAB II KAJIAN PUSTAKA. mengikuti sertifikasi, baik pendidikan gelar (S-1, S-2, atau S-3) maupun nongelar (D-

KASUS PENERAPAN LOGIKA FUZZY. Fuzzy tsukamoto, mamdani, sugeno

Jurnal Ilmiah Komputer dan Informatika (KOMPUTA) REPRESENTASI EMOSI MENGGUNAKAN LOGIKA FUZZY PADA PERMAINAN BONNY S TOOTH BOOTH

Logika Himpunan Fuzzy

BAB IV PEMBAHASAN. A. Aplikasi Fuzzy Logic untuk Menilai Kolektibilitas Anggota Sebagai. Pertimbangan Pengambilan Keputusan Pemberian Kredit

Institut Teknologi Sepuluh Nopember Surabaya

BAB 2 2. LANDASAN TEORI

PENGGUNAAN SISTEM INFERENSI FUZZY UNTUK PENENTUAN JURUSAN DI SMA NEGERI 1 BIREUEN

Metode Tsukamoto untuk Mendiagnosa Penyakit Infeksi pada Manusia

Metode Deffuzifikasi Mean of Maximum (MOM) Kolik Gas (Tympani) Kolik Twisted gut Kolik Impaksi METODE PENELITIAN Kerangka Pemikiran

BAB 2 LANDASAN TEORI

PENENTUAN KUALITAS CABE MERAH VARIETAS HOT BEAUTY DENGAN FUZZY INFERENCE SYSTEM TSUKAMOTO

PREDIKSI PERMINTAAN PRODUK MIE INSTAN DENGAN METODE FUZZY TAKAGI-SUGENO

EVALUASI KINERJA GURU DENGAN MENGGUNAKAN FUZZY INFERENCE SYSTEM (FIS) MAMDANI

Pengantar Kecerdasan Buatan (AK045218) Logika Fuzzy

APLIKASI PENGAMBILAN KEPUTUSAN DENGAN METODE TSUKAMOTO PADA PENENTUAN TINGKAT KEPUASAN PELANGGAN (STUDI KASUS DI TOKO KENCANA KEDIRI)

ANALISIS RULE INFERENSI SUGENO DALAM SISTEM PENDUKUNG PENGAMBILAN KEPUTUSAN

Implementasi Logika Fuzzy Mamdani untuk Mendeteksi Kerentanan Daerah Banjir di Semarang Utara

Penerapan Metode Fuzzy Sugeno Dalam Pendaftaran Siswa Baru di SDN Sonopatik 1 Nganjuk

Klasifikasi Kemiskinan Menggunakan Fuzzy Inference System (FIS) Metode Mamdani

BAB I PENDAHULUAN 1.1 Latar Belakang

Optimalisasi Jumlah Produksi Jamu Jaya Asli Dengan Metode Fuzzy Tsukamoto

ANALISIS PERBANDINGAN HARGA MOBIL BEKAS MENGGUNAKAN METODE FUZZY INFERENCE SYSTEM (FIS) MAMDANI DAN TSUKAMOTO

IMPLEMENTASI FUZZY LOGIC DALAM MENENTUKAN PENDUDUK MISKIN (STUDI KASUS PADA BADAN PUSAT STATISTIK KOTA PAGARALAM)

LOGIKA FUZZY (Lanjutan)

BAB III METODE FUZZY MAMDANI

BAB I PENDAHULUAN. Universitas Sumatera Utara

Versi Online tersedia di : JURNAL TECH-E (Online)

FUZZY LOGIC CONTROL 1. LOGIKA FUZZY

Fuzzy Logic. Untuk merepresentasikan masalah yang mengandung ketidakpastian ke dalam suatu bahasa formal yang dipahami komputer digunakan fuzzy logic.

1.1. Latar Belakang Masalah

BAB 2 LANDASAN TEORI

BAB IV IMPLEMENTASI DAN HASIL PENGUJIAN

Analisis Pengaruh Pemilihan Fuzzy Membership Function Terhadap Output Sebuah Sistem Fuzzy Logic

ANALISA KELAYAKAN TRUK PENGANGKUT MATERIAL ALAM PT. ARGA WASTU SLUKE REMBANG MENGGUNAKAN FUZZY LOGIC TSUKAMOTO

SISTEM INFERENSI FUZZY MAMDANI BERBASIS WEB

PENERAPAN FUZZY INFERENCE SYSTEM PADA PREDIKSI CURAH HUJAN DI SURABAYA UTARA

Penentuan Jumlah Produksi Kue Bolu pada Nella Cake Padang dengan Sistem Inferensi Fuzzy Metode Sugeno

BAB 2 LANDASAN TEORI

REVIEW JURNAL LOGIKA FUZZY

SistemInferensiFuzzy

BAB 2 LANDASAN TEORI

ANALISA KELAYAKAN TRUK PENGANGKUT MATERIAL ALAM PT. ARGA WASTU SLUKE REMBANG MENGGUNAKAN FUZZY LOGIC TSUKAMOTO

REVIEW PENERAPAN FUZZY LOGIC SUGENO DAN MAMDANI PADA SISTEM PENDUKUNG KEPUTUSAN PRAKIRAAN CUACA DI INDONESIA

MODEL SISTEM PENDUKUNG KEPUTUSAN DENGAN FUZZY INFERENCE SYSTEM UNTUK PROMOSI KARYAWAN

ANALISIS FUZZY INFERENCE SYSTEM SUGENO DAN TSUKAMOTO DALAM MENENTUKAN JUMLAH PRODUKSI DENGAN APLIKASI WEB

LOGIKA SAMAR (FUZZY LOGIC)

Desain sistem Analisis sistem Implementasi sistem Pemeliharaan Sistem HASIL DAN PEMBAHASAN Investigasi sistem

Transkripsi:

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 Tahap Sistem Pakar Berbasis Fuzzy Domain Masalah Fuzzifikasi Pembuatan aturan Fuzzy Defuzzifikasi Solusi 1

Metode Penalaran Mamdani Input dan Output berupa himpunen fuzzy Penentuan nilai defuzzifikasi dengan center of gravity Tsukamoto Input dan Output berupa himpunen fuzzy Penentuan nilai defuzzifikasi dengan rata-rata terbobot Sugeno Input berupa himpunan fuzzy Output berupa nilai linear Penentuan nilai defuzzifikasi bisa dengan center of gravity Representasi Fuzzy Harga barang merupakan variabel fuzzy dan dikategorikan menjadi tiga himpunan, yaitu: Mahal dengan kurva Trapezoidal (X;1200,1500,2000,2000) Sedang dengan kurva Triangle (X: 600,1000,1500) Murah dengan kurva Trapezoidal (X: 0,0,500,800) Buatlah Hasil representasi dari Harga barang tersebut! Hitung derajat keanggotaan dari harga barang 1200 dan 1600? 2

Penalaran Mamdani Implikasi agregasi Center of gravity Penalaran Tsukamoto Implikasi agregasi 3

Masalah Input A B Diketahui tiga buah variabel Fuzzy A, B dan C A dan B sebagai Input dan C sebagai Output Deskripsi Representasi Himpuan Fuzzy dari ketiga variabel tersebut Mahal dengan kurva Trapezoidal (A;1200,1500,2000,2000) Sedang dengan kurva Triangle (A: 600,1000,1500) Murah dengan kurva Trapezoidal (A: 0,0,500,800) Enak dengan kurva Trapezoidal (B; 10,15,25,25) Kurang Enak dengan kurva Trapezoidal (B;5,8,12,15) Tidak Enak dengan kurva Trapezoidal (B;0,0,7,12) Output C Besar dengan kurva Trapezoidal (C; 60,75,100,100) Sedang dengan kurva Trapezoidal (C;20,25,50,75) Kecil dengan kurva Trapezoidal (C;0,10,15,25) Aturan (Rule) R1 : Jika A adalah sedang dan B adalah enak maka C adalah besar R2 : Jika A adalah murah maka C adalah besar R3 : Jika A adalah sedang dan B adalah tidak enak maka C adalah sedang R4 : Jika A adalah mahal dan B adalah kurang enak maka C adalah sedang Dengan menggunakan penalaran Mamdani dan Tsukamoto, tentukan nilai C jika diketahui nilai input sebagai berikut : A = 1400 dan B = 15 4

Soal Dengan menggunakan penalaran Mamdani dan Tsukamoto, tentukan nilai C jika diketahui nilai input sebagai berikut : A = 1400 dan B = 15 Contoh Kasus Studi Permasalahan: Suatu Perusahaan akan melakukan perkiraan terhadap produksi suatu barang tiap bulan. Untuk menentukan jumlah barang yang diproduksi tersebut digunakan pendekatan fuzzy. Dalam kasus ini terdapat parameter masukan yaitu permintaan dan persediaan barang. Adapun parameter keluaran adalah jumlah barang yang akan diproduksi. Tabel 1 di bawah ini memperlihatkan variabel fuzzy yang akan dibuat berikut domain permasalahanya. Fungsi Nama Variabel Rentang Nilai Keterangan permintaan [8 24] jumlah permintaan per bulan per unit Input persediaan [30 60] Jumlan persediaan per bulan per unit Output jumlah produksi [10 25] Kapasitas produksi barang 5

Pembagian Himpunan Fuzzy Fungsi Variabel Himpunan Rentang Domain Permintaan Sedikit [8 11 14] Sedang [8 24] [13 16 19] Banyak [18 21 24] Persediaan Sedikit [30 36 42] INPUT Sedang [38 45 50] Banyak [47 55 60] [30 60] Jumlah_Produksi Sedikit [10 10 14 20] OUTPUT Banyak [10 25] [17 21 25 25] Aturan (Rule) Berikut ini adalah aturan-aturan yang digunakan dalam Fuzzy Inference System (FIS) 1. IF permintaan sedikit AND persediaan sedikit THEN produksi sedikit 2. IF permintaan sedang AND persediaan sedikit THEN produksi sedikit 3. IF permintaan sedang AND persediaan banyak THEN produksi banyak 4. IF permintaan banyak AND persediaan sedikit THEN produksi sedikit 5. IF permintaan banyak AND persediaan sedang THEN produksi banyak 6. IF permintaan banyak AND persediaan banyak THEN produksi banyak 6

Soal Dengan Menggunakan Metode Mamdani, tentukan jumlah barang yang harus diproduksi apabila : Permintaan 18 unit dan persediaan 38 unit Tugas di rumah dan dikumpulkan pekan depan Tentukan jumlah barang yang harus diproduksi jika Permintaan 20 unit dan persediaan 40 unit Permintaaan 22 unit dan persedian 35 unit Permintaan 10 unit dan persedian 48 unit Gunakan Metode Mamdani dan Tsukamoto Bersungguh-sungguhlah terhadap segala sesuatu yag bermanfaat bagimu. Mintalah pertolongan kepada Rabb-mu dan janganlah merasa lemah. Terima Kasih 7