Matematika Diskrit Fuzzy Inference System Prodi T.Informatika

dokumen-dokumen yang mirip
4-5-FUZZY INFERENCE SYSTEMS

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

SPK PENENTUAN TINGKAT KEPUASAN KONSUMEN PADA RESTORAN XYZ

REVIEW JURNAL LOGIKA FUZZY

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

KECERDASAN BUATAN (Artificial Intelligence) Materi 8. Entin Martiana

Logika Himpunan Fuzzy

KECERDASAN BUATAN (Artificial Intelligence) Materi 8. Entin Martiana

BAB II KAJIAN PUSTAKA

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

Praktikum sistem Pakar Fuzzy Expert System

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

Himpunan Fuzzy. Sistem Pakar Program Studi : S1 sistem Informasi

BAB 2 LANDASAN TEORI

Himpunan Tegas (Crisp)

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

BAB III METODE PENELITIAN

BAB 2 LANDASAN TEORI

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

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

MENENTUKAN HARGA MOBIL BEKAS TOYOTA AVANZA MENGGUNAKAN METODE TSUKAMOTO

LOGIKA FUZZY FUNGSI KEANGGOTAAN

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

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

BAB 2 LANDASAN TEORI

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

LOGIKA FUZZY (Lanjutan)

Optimalisasi Jumlah Produksi Jamu Jaya Asli Dengan Metode Fuzzy Tsukamoto

Pengantar Kecerdasan Buatan (AK045218) Logika Fuzzy

BAB 2 LANDASAN TEORI

ARTIFICIAL INTELLIGENCE MENENTUKAN KUALITAS KEHAMILAN PADA WANITA PEKERJA

Institut Teknologi Sepuluh Nopember Surabaya

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

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

LOGIKA SAMAR (FUZZY LOGIC)

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

Pendapatan Masyarakat Disekitar Kampus dengan Adanya Mahasiswa Menggunakan Fuzzy

FUZZY LOGIC CONTROL 1. LOGIKA FUZZY

BAB 2 TINJAUAN PUSTAKA

Tahap Sistem Pakar Berbasis Fuzzy

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

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

BAB II: TINJAUAN PUSTAKA

Metode Fuzzy Inference System untuk Penilaian Kinerja Pegawai Perpustakaan dan Pustakawan

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

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

SISTEM PENENTUAN KANDIDAT KETUA KARANG TARUNA DENGAN MENGGUNAKAN FUZZY LOGIC

Penerapan Metode Fuzzy Mamdani Pada Rem Otomatis Mobil Cerdas

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

BAB II TINJAUAN PUSTAKA

LOGIKA FUZZY DALAM SISTEM PENGAMBILAN KEPUTUSAN PENERIMAAN BEASISWA

BAB 2 LANDASAN TEORI

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:

OPTIMALISASI JUMLAH PRODUKSI BARANG PADA PERUSAHAAN XYZ MENGGUNAKAN LOGIKA FUZZY

Menentukan Harga Beras Sesuai Mutu Kualitas Beras dengan Logika Fuzzy Mamdani

manusia diantaranya penyakit mata konjungtivitis, keratitis, dan glaukoma.

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

REKOMENDASI PEMILIHAN LAPTOP MENGGUNAKAN SISTEM INFERENSI FUZZY TSUKAMOTO

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

BAB 2 LANDASAN TEORI

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

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

BAB VII LOGIKA FUZZY

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

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

Rima Ayuningtyas NIM Jurusan Teknik Informatika, Universitas Maritim Raja Ali Haji. Jl. Politeknik Senggarang, Tanjungpinang

PENALARAN FUZZY SISTEM PAKAR DEPARTEMEN ILMU KOMPUTER INSTITUT PERTANIAN BOGOR 2012

IMPLEMENTASI LOGIKA FUZZY MAMDANI UNTUK MENENTUKAN HARGA GABAH

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

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

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

BAB 2 LANDASAN TEORI

Penerapan Logika Fuzzy

ANALISIS RULE INFERENSI SUGENO DALAM SISTEM PENDUKUNG PENGAMBILAN KEPUTUSAN

PENGEMBANGAN SISTEM PAKAR FUZZY

Muhammad Yudin Ritonga ( )

PENDAPATAN MASYARAKAT DENGAN ADANYA KAMPUS MENGGUNAKAN FUZZY TSUKAMOTO

MODEL SISTEM PENDUKUNG KEPUTUSAN DENGAN FUZZY INFERENCE SYSTEM UNTUK PROMOSI KARYAWAN

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

SISTEM INFERENSI FUZZY MAMDANI BERBASIS WEB

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

1.1. Latar Belakang Masalah

METODOLOGI PENELITIAN

Penilaian Hasil Belajar Matematika pada Kurikulum 2013 dengan Menggunakan Logika Fuzzy Metode Mamdani

PERBANDINGAN PENERAPAN METODE FUZZY MAMDANI DAN SUGENO DALAM MEMPREDIKSI TINGGINYA PEMAKAIAN LISTRIK ( STUDI KASUS KELURAHAN XYZ)

BAB 2 TINJAUAN PUSTAKA

UNNES Journal of Mathematics

BAB III METODE FUZZY MAMDANI

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

Pendekatan Logika Fuzzy untuk Perhitungan Gap pada Metode Profile Matching dalam Menentukan Kelayakan Proposal Penelitian

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

IJCCS, Vol.x, No.x, July xxxx, pp. 1~5 ISSN: Perancangan Model Matematis Untuk Penentuan Jumlah Produksi di PT. XZY

PENERAPAN METODE FUZZY MAMDANI DALAM MEMPREDIKSI TINGGINYA PEMAKAIAN LISTRIK ( STUDI KASUS KELURAHAN ABC )

MATERI KULIAH (PERTEMUAN 12,13) Lecturer : M. Miftakul Amin, M. Eng. Logika Fuzzy. Politeknik Negeri Sriwijaya Palembang

Transkripsi:

Matematika Diskrit Fuzzy Inference System Prodi T.Informatika

Mahasiswa dapat melakukan penalaran dengan hasil akhirnya diperoleh dengan menggunakan rata-rata terbobot.

Mekanisme Fuzzy Iinference Systems ( FIS ) Fuzzy Inference Systems (FIS) INPUT (CRISP) FUZZYFIKASI RULES AGREGASI DEFUZZY OUTPUT (CRISP)

Pokok Bahasan a. Penalaran Monoton b. Metode Tsukamotoo

a). 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.

1 TINGGI [0,75] m[x] 0 150 165 170 Tinggi badan (cm) 1 BERAT [0,75] m[y] 0 35 70 Berat badan (Kg)

b). Metode Tsukamotoo 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 rata-rata terbobot.

Misal ada 2 var input: var-1 (x), dan var-2 (y); serta 1 var output: var-3 (z). Var-1 terbagi atas himp. A1 & A2; var-2 terbagi atas himp. B1 & B2; var-3 terbagi atas himp. C1 & C2. Ada 2 aturan: If (x is A1) and (y is B2) Then (z is C1) If (x is A2) and (y is B1) Then (z is C2)

m[x] 1 A1 0 Var-1

Contoh : Suatu perusahaan makanan kaleng setiap harinya rata-rata menerima permintaan sekitar 55000 kaleng, dan dalam 3 bulan terakhir permintaan tertinggi sebesar 75000 kaleng. Makanan kaleng yang masih tersedia di gudang, setiap harinya rata-rata 7000 kaleng, sedangkan kapasitas gudang maksimum hanya dapat menampung 13000 kaleng. Produksi rata-rata harian 60000 kaleng dan produksi maksimum yang dapat dilakukan 110000 kaleng.

Apabila sistem produksinya menggunakan aturan fuzzy sebagai berikut: [R1] 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 60000 kaleng, dan persediaan yang masih ada di gudang sebanyak 8000 kaleng.

1. 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.

TURUN NAIK 1 m[x] 0,5 0,08 0 0 45 60 75 permintaan per hari (x1000 kaleng)

Jika permintaan 60000 maka nilai keanggotaan fuzzy pada tiap-tiap himpunan adalah: Himpunan fuzzy TURUN, m PmsTurun [60] = 0,08. Himpunan fuzzy NAIK, m PmsNaik [60] = 0,5. diperoleh dari: = 2[(60-75)/(75-45)] 2 = 0,5

SEDIKIT BANYAK 1 m[x] 0,5 0,25 0 0 2 5 8 10 11 13 persediaan (x1000 kemasan per hari)

Jika persediaan sebanyak 8000 kemasan per hari, maka nilai keanggotaan fuzzy pada tiap-tiap himpunan adalah: Himpunan fuzzy SEDIKIT, m PsdSedikit [8] = 0,25. diperoleh dari: = (10-8)/(10-2) = 0,25 Himpunan fuzzy BANYAK, m PsdBanyak [8] = 0,5. diperoleh dari: = (10-5)/(11-5) = 0,5

C. Variabel Produksi Barang BERKURANG BERTAMBAH 1 m[z] 0 15 25 75 100 permintaan per hari (x1000 kaleng)

Nilai keanggotaan fuzzy pada tiap-tiap himpunan dirumuskan: Himpunan fuzzy BERKURANG: m PBBerkurang[z] 1; (75 z) / 60; 0; z 15 15 z Himpunan fuzzy BERTAMBAH: z 75 75 m PBBertambah[z] 0; (z 1; 25) / 75; z 25 25 z 100 z 100

A. Aturan ke-1: [R1] IF Permintaan TURUN And Persediaan BANYAK THEN Produksi Barang = BERKURANG Operator yang digunakan adalah AND, sehingga: 1 = m PredikatR1 = min(m PmtTurun [60],m PsdBanyak [8]) = min(0,08;0,5) = 0,08 Cari nilai z 1, untuk 1 = 0,08; lihat himpunan BERKURANG: 0,08 = (75 z 1 )/60 z 1 = 75-4,8 = 70,2

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 [60],m PsdSedikit [8]) = min(0,5;0,25) = 0,25 Cari nilai z 2, untuk 2 = 0,25; lihat himpunan BERTAMBAH: 0,25 = (z 2 25)/75 z 2 = 18,75 + 25 = 43,75

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 [60],m PsdBanyak [8]) = min(0,5;0,5) = 0,5 Cari nilai z 3, untuk 3 = 0,5; lihat himpunan BERTAMBAH: 0,5 = (z 3 25)/75 z 3 = 37,5 + 25 = 62,5

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 [60],m PsdSedikit [8]) = min(0,08;0,25) = 0,08 Cari nilai z 4, untuk 4 = 0,08; lihat himpunan BERKURANG: 0,08 = (75 z 4 )/60 z 4 = 75 4,8 = 70,2

3. Penegasan (Defuzzy) z 0,08*70,2 0,25*43,75 0,5*62,5 0,08 0,25 0,5 0,08 0,08*70,2 58,703 Jadi produksi barang = 58703 kaleng

Latih: Sebuah perusahaan perakit CPU mempunyai data-data sebagai berikut : Permintaan terbesar mencapai 1000 unit dan terkecil 200 unit perhari. Persediaan digudang terbanyak 120 unit dan terkecil 20 unit perhari. Produksi maksimum 1400 unit dan minimum 400 unit perhari.

Berapa CPU harus dirakit bila jumlah permintaan 800 unit dan persediaan digudang ada 60 unit, bila proses produksi mengikuti aturan fuzzy sbb : IF Permintaan TURUN And Persediaan BANYAK THEN Produksi Barang BERKURANG IF Permintaan NAIK And Persediaan SEDIKIT THEN Produksi Barang BERTAMBAH IF Permintaan NAIK And Persediaan BANYAK THEN Produksi Barang BERTAMBAH IF Permintaan TURUN And Persediaan SEDIKIT THEN Produksi Barang BERKURANG

Terima kasih