4-5-FUZZY INFERENCE SYSTEMS

dokumen-dokumen yang mirip
Matematika Diskrit Fuzzy Inference System Prodi T.Informatika

KASUS PENERAPAN LOGIKA FUZZY. Fuzzy tsukamoto, mamdani, sugeno

Erwien Tjipta Wijaya, ST.,M.Kom

Sistem Inferensi Fuzzy

Penerapan FuzzyTsukamotodalam Menentukan Jumlah Produksi

ke dalam suatu ruang output. Orang yang belum pernah mengenal logika fuzzy pasti

Aplikasi Prediksi Harga Bekas Sepeda Motor Yamaha. Menggunakan Fuzzy Logic

BAB II KAJIAN PUSTAKA

KECERDASAN BUATAN (Artificial Intelligence) Materi 8. Entin Martiana

REVIEW JURNAL LOGIKA FUZZY

Logika Himpunan Fuzzy

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

KECERDASAN BUATAN (Artificial Intelligence) Materi 8. Entin Martiana

SPK PENENTUAN TINGKAT KEPUASAN KONSUMEN PADA RESTORAN XYZ

Praktikum sistem Pakar Fuzzy Expert System

BAB III METODE PENELITIAN

Model Evaluasi Performa Mahasiswa Tahun Pertama Melalui Pendekatan Fuzzy Inference System dengan Metode Tsukamoto

Tahap Sistem Pakar Berbasis Fuzzy

KOTAK HITAM. Pemetaan input-output pada masalah produksi Diberikan data persediaan barang, berapa jumlah barang yang harus diproduksi?

BAB IV METODOLOGI. Gambar 4.1 Model keseimbangan air pada waduk (Sumber : Noor jannah,2004)

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

IMPLEMENTASI METODE FUZZY TSUKAMOTO PADA PENENTUAN HARGA JUAL BARANG DALAM KONSEP FUZZY LOGIC

Logika fuzzy pertama kali dikembangkan oleh Lotfi A. Zadeh melalui tulisannya pada tahun 1965 tentang teori himpunan fuzzy.

MENENTUKAN HARGA MOBIL BEKAS TOYOTA AVANZA MENGGUNAKAN METODE TSUKAMOTO

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

Pengantar Kecerdasan Buatan (AK045218) Logika Fuzzy

Himpunan Tegas (Crisp)

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

BAB 2 LANDASAN TEORI

BAB 2 TINJAUAN PUSTAKA

LOGIKA FUZZY (Lanjutan)

Optimalisasi Jumlah Produksi Jamu Jaya Asli Dengan Metode Fuzzy Tsukamoto

BAB 2 LANDASAN TEORI

BAB II: TINJAUAN PUSTAKA

Definisi LOGIKA FUZZY. Himpunan Fuzzy. Himpunan Fuzzy(contd) 3/13/2012. Budi Rudianto

Metode Fuzzy Inference System untuk Penilaian Kinerja Pegawai Perpustakaan dan Pustakawan

PENALARAN FUZZY SISTEM PAKAR DEPARTEMEN ILMU KOMPUTER INSTITUT PERTANIAN BOGOR 2012

FUZZY INFERENCE SYSTEM DENGAN METODE TSUKAMOTO SEBAGAI PEMBERI SARAN PEMILIHAN KONSENTRASI (STUDI KASUS: JURUSAN TEKNIK INFORMATIKA UII)

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

JURNAL SISTEM PREDIKSI INVENTORY BARANG MENGGUNAKAN METODE FUZZY TSUKAMOTO PREDICTION INVENTORY ITEMS USING FUZZY TSUKAMOTO

ARTIFICIAL INTELLIGENCE MENENTUKAN KUALITAS KEHAMILAN PADA WANITA PEKERJA

BAB II TINJAUAN PUSTAKA

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

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

BAB 2 LANDASAN TEORI

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

PENGEMBANGAN SISTEM PAKAR FUZZY

Pendapatan Masyarakat Disekitar Kampus dengan Adanya Mahasiswa Menggunakan Fuzzy

1.1. Latar Belakang Masalah

LOGIKA SAMAR (FUZZY LOGIC)

Institut Teknologi Sepuluh Nopember Surabaya

Penerapan Metode Fuzzy Mamdani Pada Rem Otomatis Mobil Cerdas

FUZZY LOGIC CONTROL 1. LOGIKA FUZZY

BAB 2 LANDASAN TEORI

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

PENERAPAN METODE TSUKAMOTO DALAM PEMBERIAN KREDIT SEPEDA MOTOR BEKAS PADA PT TRI JAYA MOTOR (Studi Kasus PT TRI JAYA MOTOR MEDAN )

manusia diantaranya penyakit mata konjungtivitis, keratitis, dan glaukoma.

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

ANALISIS PENDUKUNG KEPUTUSAN PENENTUAN PEMBELIAN BAHAN BAKU UNTUK PEMBUATAN MEUBEL JENIS KURSI LETER L MENGGUNAKAN FUZZY TSUKAMOTO

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

Himpunan Fuzzy. Sistem Pakar Program Studi : S1 sistem Informasi

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

Jurnal Informatika SIMANTIK Vol. 2 No. 2 September 2017 ISSN:

BAB 2 TINJAUAN PUSTAKA

BAB 2 LANDASAN TEORI

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

LOGIKA FUZZY FUNGSI KEANGGOTAAN

LOGIKA FUZZY DALAM SISTEM PENGAMBILAN KEPUTUSAN PENERIMAAN BEASISWA

PENERAPAN METODE FUZZY TSUKAMOTO UNTUK MEMPREDIKSI HASIL PRODUKSI KELAPA SAWIT (STUDI KASUS : PT. AMAL TANI PERKEBUNAN TANJUNG PUTRI BAHOROK)

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

BAB II. KAJIAN PUSTAKA. Menurut Gorry dan Scott (1970) dalam Turban (2005) Sistem Pendukung

BAB 2 LANDASAN TEORI

Penerapan Logika Fuzzy Metode Sugeno Untuk Memprediksi Jumlah Penumpang Di Terminal Ronggo Sukowati Pamekasan

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

Penerapan Logika Fuzzy

Bab IV. Hasil Pengujian dan Analisis

SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN SUPPLIER OBAT MENGGUNAKAN METODE FUZZY TSUKAMOTO

UNNES Journal of Mathematics

IMPLEMENTASI LOGIKA FUZZY MAMDANI UNTUK MENENTUKAN HARGA GABAH

SISTEM INFERENSI FUZZY MAMDANI BERBASIS WEB

Muhammad Yudin Ritonga ( )

ABSTRAK. Kata kunci: Logika Fuzzy, Metode Mamdani, Penentuan Jumlah Produksi, Pengambilan Keputusan

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

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

Metode Mamdani Untuk Klasifikasi Dalam Prediksi Indeks Pembangunan Manusia Di Kota Banda Aceh

Sistem Pendukung Keputusan Menentukan Matakuliah Pilihan... Pilihan pada Kurikulum Berbasis KKNI Menggunakan Metode Fuzzy Sugeno. Muhammad Dedi Irawan

REKOMENDASI PEMILIHAN LAPTOP MENGGUNAKAN SISTEM INFERENSI FUZZY TSUKAMOTO

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

PENDAPATAN MASYARAKAT DENGAN ADANYA KAMPUS MENGGUNAKAN FUZZY TSUKAMOTO

BAB VII LOGIKA FUZZY

PENGHITUNGAN WAKTU PENGERINGAN KAYU JATI METODE PROGRESIF DENGAN LOGIKA FUZZY (STUDI KASUS CV. DWI TUNGGAL BAWEN)

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

SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN PROGRAM STUDI DI UNIVERSITAS MULAWARMAN MENGGUNAKAN METODE TSUKAMOTO (Studi kasus : Fakultas MIPA)

APLIKASI SISTEM INFERENSI FUZZY METODE TSUKAMOTO DALAM PENILAIAN MUTU BENIH PADI

BAB 2 TINJAUAN PUSTAKA

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

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

Sistem Pendukung Keputusan Pemilihan Tenaga Kontrak Melalui Pendekatan Fuzzy Inference System dengan Metode Tsukamoto (Studi Kasus PT.

JURNAL SISTEM PENENTUAN HARGA PERCETAKAN FOTO DIGITAL MENGGUNAKAN FUZZY TSUKAMOTO DI ALIEF COMPUTER KOTA KEDIRI

BAB III METODE PENELITIAN

Transkripsi:

4-5-FUZZY INFERENCE SYSTEMS Shofwatul Uyun Mekanisme FIS Fuzzy Inference Systems (FIS) INPUT (CRISP) FUZZYFIKASI RULES AGREGASI DEFUZZY OUTPUT (CRISP) 2

Metode Inferensi Fuzzy Metode Tsukamoto Metode Mamdani Metode Sugeno 3 PENALARAN MONOTON Jika 2 daerah fuzzy direlasikan dengan implikasi sederhana sebagai berikut: IF x is A THEN y is B transfer fungsi: y = f((x,a),b) maka sistem fuzzy dapat berjalan tanpa harus melalui komposisi dan dekomposisi fuzzy. Nilai output dapat diestimasi secara langsung dari derajat keanggotaan yang berhubungan dengan antesedennya. 4 2

TINGGI [,75] m[x] 5 65 7 Tinggi badan (cm) BERAT [,75] m[y] 35 58 7 Berat badan (Kg) 5 Metode Tsukamoto setiap konsekuen pada aturan yang berbentuk IF- Then harus direpresentasikan dengan suatu himpunan fuzzy dengan fungsi keanggotaan yang monoton output hasil inferensi dari tiap-tiap aturan diberikan secara tegas (crisp) berdasarkan -predikat (fire strength). Hasil akhirnya diperoleh dengan menggunakan ratarata terbobot. 6 3

Misal ada 2 var input: var- (x), dan var-2 (y); serta var output: var-3 (z). Var- terbagi atas himp. A & A2; var-2 terbagi atas himp. B & B2; var-3 terbagi atas himp. C & C2. Ada 2 aturan: If (x is A) and (y is B2) Then (z is C) If (x is A2) and (y is B) Then (z is C2) 7 m[x] A m[y] B2 m[z] C Var- Var-2 z Var-3 m[x] A2 m[y] B m[z] C2 Var- Var-2 2 z 2 Var-3 Rata-rata terbobot z 2z z 2 2 8 4

CONTOH Suatu perusahaan makanan kaleng setiap harinya rata-rata menerima permintaan sekitar 55 kaleng, dan dalam 3 bulan terakhir permintaan tertinggi sebesar 75 kaleng. Makanan kaleng yang masih tersedia di gudang, setiap harinya rata-rata 7 kaleng, sedangkan kapasitas gudang maksimum hanya dapat menampung 3 kaleng. Apabila sistem produksinya menggunakan aturan fuzzy sebagai berikut: 9 [R] IF Permintaan TURUN And Persediaan BANYAK THEN Produksi Barang BERKURANG [R2] IF Permintaan NAIK And Persediaan SEDIKIT THEN Produksi Barang BERTAMBAH [R3] IF Permintaan NAIK And Persediaan BANYAK THEN Produksi Barang BERTAMBAH [R4] IF Permintaan TURUN And Persediaan SEDIKIT THEN Produksi Barang BERKURANG Tentukanlah berapa jumlah barang yang harus diproduksi hari ini, jika permintaan sebanyak 6 kaleng, dan persediaan yang masih ada di gudang sebanyak 8 kaleng. 5

. Membuat himpunan dan input fuzzy Ada 3 variabel fuzzy yang akan dimodelkan, yaitu: a. Permintaan; terdiri-atas 2 himpunan fuzzy, yaitu: NAIK dan TURUN. b. Persediaan; terdiri-atas 2 himpunan fuzzy, yaitu: BANYAK dan SEDIKIT. c. Produksi Barang; terdiri-atas 2 himpunan fuzzy, yaitu: BERKURANG dan BERTAMBAH. A. Variabel Permintaan TURUN NAIK m[x],5,8 45 6 75 permintaan per hari (x kaleng) 2 6

Jika permintaan 6 maka nilai keanggotaan fuzzy pada tiap-tiap himpunan adalah: Himpunan fuzzy TURUN, m PmsTurun [6] =,8. Himpunan fuzzy NAIK, m PmsNaik [6] =,5. diperoleh dari: = 2[(6-75)/(75-45)] 2 =,5 3 B. Variabel Persediaan SEDIKIT BANYAK m[x],5,25 2 5 8 3 persediaan (x kemasan per hari) 4 7

Jika persediaan sebanyak 8 kemasan per hari, maka nilai keanggotaan fuzzy pada tiap-tiap himpunan adalah: Himpunan fuzzy SEDIKIT, m PsdSedikit [8] =,25. diperoleh dari: = (-8)/(-2) =,25 Himpunan fuzzy BANYAK, m PsdBanyak [8] =,5. diperoleh dari: = (-5)/(-5) =,5 5 C. Variabel Produksi Barang BERKURANG BERTAMBAH m[z] 5 25 75 permintaan per hari (x kaleng) 6 8

Nilai keanggotaan fuzzy pada tiap-tiap himpunan dirumuskan: Himpunan fuzzy BERKURANG: m PBBerkurang[z] ; (75 z) / 6; ; Himpunan fuzzy BERTAMBAH: z 5 5 z 75 z 75 m PBBertambah[z] ; (z 25) / 75; ; z 25 25 z z 7 2. Aplikasi operator fuzzy A. Aturan ke-: [R] IF Permintaan TURUN And Persediaan BANYAK THEN Produksi Barang = BERKURANG Operator yang digunakan adalah AND, sehingga: = m PredikatR = min(m PmtTurun [6],m PsdBanyak [8]) = min(,8;,5) =,8 Cari nilai z, untuk =,8; lihat himpunan BERKURANG:,8 = (75 z )/6 z = 75-4,8 = 7,2 8 9

B. Aturan ke-2: [R2] IF Permintaan NAIK And Persediaan SEDIKIT THEN Produksi Barang BERTAMBAH Operator yang digunakan adalah AND, sehingga: 2 = m PredikatR2 = min(m PmtNaik [6],m PsdSedikit [8]) = min(,5;,25) =,25 Cari nilai z 2, untuk 2 =,25; lihat himpunan BERTAMBAH:,25 = (z 2 25)/75 z 2 = 8,75 + 25 = 43,75 9 C. Aturan ke-3: [R3] IF Permintaan NAIK And Persediaan BANYAK THEN Produksi Barang BERTAMBAH Operator yang digunakan adalah AND, sehingga: 3 = m PredikatR3 = min(m PmtNaik [6],m PsdBanyak [8]) = min(,5;,5) =,5 Cari nilai z 3, untuk 3 =,5; lihat himpunan BERTAMBAH:,5 = (z 3 25)/75 z 3 = 37,5 + 25 = 62,5 2

D. Aturan ke-4: [R4] IF permintaan TURUN And persediaan SEDIKIT THEN produksi barang BERKURANG Operator yang digunakan adalah AND, sehingga: 4 = m PredikatR4 = min(m PmtTurun [6],m PsdSedikit [8]) = min(,8;,25) =,8 Cari nilai z 4, untuk 4 =,8; lihat himpunan BERKURANG:,8 = (75 z 4 )/6 z 4 = 75 4,8 = 7,2 2 3. Penegasan (Defuzzy),8*7,2,25*43,75,5*62,5,8*7,2 z 58,73,8,25,5,8 Jadi produksi barang = 5873 kaleng 22