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

dokumen-dokumen yang mirip
Tahap Sistem Pakar Berbasis Fuzzy

Praktikum sistem Pakar Fuzzy Expert System

MATLAB, Penalaran Mamdani

PENALARAN FUZZY SISTEM PAKAR DEPARTEMEN ILMU KOMPUTER INSTITUT PERTANIAN BOGOR 2012

Praktikum 10 Tim Asisten Praktikum Sistem Pakar

PENGEMBANGAN SISTEM PAKAR FUZZY

FUZZY SYSTEM & FUZZY REASONING DEPARTEMEN ILMU KOMPUTER IPB

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

Contoh Kasus. Bagus Ilhami HIdayat

METODOLOGI PENELITIAN

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

Erwien Tjipta Wijaya, ST.,M.Kom

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

BAB III METODE PENELITIAN

Untuk dapat lebih memahani fuzzy Tsukamoto, berikut contoh kasus :

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

IV PENGEMBANGAN FUZZY INFERENSI SISTEM SELEKSI METODE EOR

BAB II: TINJAUAN PUSTAKA

ARTIFICIAL INTELLIGENCE MENENTUKAN KUALITAS KEHAMILAN PADA WANITA PEKERJA

MENENTUKAN HARGA MOBIL BEKAS TOYOTA AVANZA MENGGUNAKAN METODE TSUKAMOTO

BAB 2 TINJAUAN PUSTAKA

BAB II TINJAUAN PUSTAKA

Sistem Inferensi Fuzzy

Penerapan FuzzyTsukamotodalam Menentukan Jumlah Produksi

DENIA FADILA RUSMAN

Institut Teknologi Sepuluh Nopember Surabaya

BAB 2 TINJAUAN PUSTAKA

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

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

SPK PENENTUAN TINGKAT KEPUASAN KONSUMEN PADA RESTORAN XYZ

Logika Himpunan Fuzzy

MODUL 8 APLIKASI NEURAL NETWORK DAN FUZZY LOGIC PADA PERKIRAAN CUACA

Aplikasi Prediksi Harga Bekas Sepeda Motor Yamaha. Menggunakan Fuzzy Logic

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

Bab III TEORI DAN PENGONTOR BERBASIS LOGIKA FUZZI

Penerapan Metode Fuzzy Mamdani Pada Rem Otomatis Mobil Cerdas

BAB 2 TINJAUAN PUSTAKA

KECERDASAN BUATAN (Artificial Intelligence) Materi 8. Entin Martiana

Logika Fuzzy. Farah Zakiyah Rahmanti 2016

Sist Sis em t Fuzzy Fuzz Sistem Pakar

BAB I PENDAHULUAN. Universitas Sumatera Utara

PREDIKSI PERMINTAAN PRODUK MIE INSTAN DENGAN METODE FUZZY TAKAGI-SUGENO

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

PENDAHULUAN A. LATAR BELAKANG MASALAH

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

Metode Fuzzy Inference System untuk Penilaian Kinerja Pegawai Perpustakaan dan Pustakawan

Matematika Diskrit Fuzzy Inference System Prodi T.Informatika

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

Mahasiswa mampu memformulasikan permasalahan yang mengandung fakta dengan derajad ketidakpastian tertentu ke dalam pendekatan Sistem Fuzzy.

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

FUZZY LOGIC CONTROL 1. LOGIKA FUZZY

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

BAB 2 2. LANDASAN TEORI

BAB 2 LANDASAN TEORI

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

LOGIKA SAMAR (FUZZY LOGIC)

PENDAPATAN MASYARAKAT DENGAN ADANYA KAMPUS MENGGUNAKAN FUZZY TSUKAMOTO

Pengantar Kecerdasan Buatan (AK045218) Logika Fuzzy

BAB 2 LANDASAN TEORI

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

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

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

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

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

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

Metode Tsukamoto untuk Mendiagnosa Penyakit Infeksi pada Manusia

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

BAB I PENDAHULUAN 1.1 Latar Belakang Masalah

LOGIKA FUZZY (Lanjutan)

SISTEM PENGENDALIAN PERSEDIAAN DENGAN PERMINTAAN DAN PASOKAN TIDAK PASTI (Studi Kasus pada PT.XYZ) AYU TRI SEPTADIANTI

SIMULASI SISTEM UNTUK PENGONTROLAN LAMPU DAN AIR CONDITIONER DENGAN MENGGUNAKAN LOGIKA FUZZY

BAB II LANDASAN TEORI. Dalam kondisi yang nyata, beberapa aspek dalam dunia nyata selalu atau biasanya

Optimalisasi Jumlah Produksi Jamu Jaya Asli Dengan Metode Fuzzy Tsukamoto

REKOMENDASI PEMILIHAN LAPTOP MENGGUNAKAN SISTEM INFERENSI FUZZY TSUKAMOTO

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

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

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

Penentuan Harga dengan Menggunakan Sistem Inferensi Fuzzy Tsukamoto Pada Rancang Bangun Aplikasi Finding-Tutor

JOBSHEET SISTEM CERDAS REASONING 2. Fuzzifikasi

Studi Kasus Fuzzy Logic 2016

KASUS PENERAPAN LOGIKA FUZZY. Fuzzy tsukamoto, mamdani, sugeno

BAB IV IMPLEMENTASI DAN HASIL PENGUJIAN

LOGIKA FUZZY. Kelompok Rhio Bagus P Ishak Yusuf Martinus N Cendra Rossa Rahmat Adhi Chipty Zaimima

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

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

LOGIKA FUZZY PADA PROSES PELET PAKAN IKAN

IMPLEMENTASI FUZZY TSUKAMOTO DALAM PENENTUAN KESESUAIAN LAHAN UNTUK TANAMAN KARET DAN KELAPA SAWIT

BAB IV PEMBAHASAN. Pada penelitian ini akan dibandingkan antara aplikasi teori graf fuzzy dan

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

BAB 2 TINJAUAN PUSTAKA

Proses Defuzzifikasi pada Metode Mamdani dalam Memprediksi Jumlah Produksi Menggunakan Metode Mean Of Maximum

Pendapatan Masyarakat Disekitar Kampus dengan Adanya Mahasiswa Menggunakan Fuzzy

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

adalahkelompok profesi terbesar dan berperan vital dalam sistem tersebut yang menyebabkan ABSTRAK

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

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

Crisp Logic. Crisp logic is concerned with absolutes-true or false, there is no in-between. Contoh:

BAB 2 LANDASAN TEORI

Ci Crisp Logic. Crisp logic is concerned with absolutes-true or false, there is no in-between. Contoh:

Transkripsi:

Fuzzy Expert Sistem Departemen Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Pertanian Bogor 2015

Ketentuan Praktikum Lembar Kerja Praktikum ini dibuat sebagai panduan bagi mahasiswa untuk praktikum pertemuan ke - 8 Mahasiswa akan mendapatkan penjelasan terlebih dahulu oleh dosen mengenai subatansi yang akan dipelajari Mahasiswa dipersilahkan untuk bertanya, memberikan komentar atau masukan kepada dosen dengan cara yang baik. Setelah selesai mahasiswa akan mengerjakan Latihan yang terdapat di halaman bagian akhir setelah materi selesai Sebelum praktikum dimulai dipersilahkan untuk berdoa agar kegiatan praktikum berjalan dengan lancar

Tahap Sistem Pakar Berbasis Fuzzy

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 Kurva Segitiga dan Trapezoidal a b c

Representasi Kurva Segitiga dan Trapezoidal Tugas di Rumah untuk ditanya pekan depan! 1.Pelajari tentang cara mereprensentasikan dengan fungsi sebagai berikut a. Gaussian b. Sigmoid

Representasi Fuzzy : Fungsi Keanggotaan 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? Jawab

Penalaran Mamdani Implikasi agregasi Center of gravity

Penalaran Tsukamoto Implikasi agregasi

Masalah 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 Input A B 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) ilkom.fmipa.ipb.ac.id

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

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 Input Output Nama Variabel Rentang Nilai Keterangan permintaan [8 24] jumlah permintaan per bulan per unit persediaan [30 60] Jumlan persediaan per bulan per unit jumlah [10 25] Kapasitas produksi barang produksi

Pembagian Himpunan Fuzzy Tabel 2 Pembagian ke dalam himpuan fuzzy

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

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

Motivasi Bersungguh-sungguhlah terhadap segala sesuatu yang bermanfaat bagimu. Mintalah pertolongan kepada Tuhan-mu dan janganlah merasa lemah. Terima Kasih