Analisis Fungsi Keanggotaan Dalam Fuzzy Inference System

(1)

BAB 1

PENDAHULUAN

1.1. Latar Belakang

Logika fuzzy memberikan solusi praktis dan ekonomis untuk mengendalikan sistem yang kompleks. Logika fuzzy memberikan rangka kerja yang kuat dalam memecahkan masalah pengontrolan. Logika fuzzy tidak membutuhkan model matematis yang kompleks untuk mengoperasikannya, yang dibutuhkan adalah pemahaman praktis dan teoritis dari perilaku sistem secara keseluruhan. Untuk menghitung derajat yang tak terbatas jumlahnya antara benar dan salah, maka dikembangkan ide penggolongan himpunan fuzzy. Pada logika tegas, sebuah individu dipastikan sebagai anggota salah satu himpunan saja, sedangkan pada himpunan fuzzy sebuah individu dapat masuk pada dua himpunan berbeda. Seberapa besar eksistensinya dalam himpunan tersebut dapat dilihat dari nilai keanggotaannya. Secara umum fungsi keanggotaan suatu himpunan fuzzy dapat ditentukan dengan fungsi model segitiga (triangle), trapesium (trapeziodal), kurva-S (sigmoid), maupun varian dari kurva bell, seperti kurva phi, kurva beta, dan kurva gauss. Masing-masing bentuk fungsi diatas memiliki sifat yang berbeda-beda.

(2)

Untuk mengatasi permasalahan himpunan dengan batas yang tidak tegas, L.A. Zadeh mengaitkan himpunan tersebut dengan fungsi yang menyatakan nilai keanggotaan pada suatu himpunan yang tak kosong sembarang dengan mengaitkan pada interval [0,1] (Zadeh, 1965). Himpunan tersebut disebut himpunan fuzzy dan fungsi ini disebut fungsi keanggotaan (membership function) dan nilai fungsi disebut sebagai derajat keanggotaan. Dalam fuzzy sistem, fungsi keanggotaan memainkan peranan yang sangat penting untuk merepresentasikan masalah dan menghasilkan keputusan akurat.

Pengambilan keputusan dalam teknik fuzzy dilakukan dalam beberapa tahapan yaitu : pembentukan himpunan fuzzy (fuzzification), penentuan membership function, rule evaluation dan defuzzification. Rule evaluation merupakan konsep bagian utama dari fuzzy yang menjadi dasar untuk menentukan sistem menjadi pintar atau tidak.

Untuk mengatasi hal tersebut beberapa teknik sudah diterapkan antara lain : Mengidentifikasi fungsi keanggotaan berdasarkan frekuensi dari fuzzy set yang dipilih (Tamaki et al., 1999), menerapkan fungsi keanggotaan dalam penentuan identifikasi kualitas yang lebih baik (Boy et al., 2012), menerapkan fungsi keanggotaan logika fuzzy untuk memperoleh derajat keanggotaan suatu nilai pada pemilihan telephone (Hamdani, 2011), menerapkan Metode Fuzzy Mamdani dalam penentuan jumlah produksi yang optimum (Djunaidi et al, 2005).

Dalam fuzzy terdapat beberapa model sistem inferensi, antara lain : metode Mamdani, metode Tsukamoto dan metode Sugeno (TSK). Model-model ini dapat digunakan karena penalaran menggunakan aturan IF-Then, namun

(3)

demikian bahwa ketiga model ini juga memiliki perbedaan khususnya pada hasil (deffuzzyfikasi) dimana metode Tsukamoto dan Mamdani menghasilkan output berupa himpunan fuzzy, sementara Sugeno menghasilkan output berupa himpunan konstanta atau persamaan linier. Penalaran metode fuzzy Mamdani merupakan metodologi yang paling mudah dipahami pembuatan metode ini berdasarkan karya ilmiah dari Lotfi Zadeh tentang algoritma fuzzy untuk sistem yang kompleks dan digunakan dalam proses pengambilan keputusan. Metode Mamdani adalah suatu jenis inferensi sistem fuzzy dimana himpunan fuzzy yang merupakan konsekuensi dari setiap aturan dikombinasikan dengan menggunakan operator aggregasi dan menghasilkan himpunan fuzzy yang kemudian di defuzzifikasikan untuk menghasilkan keluaran tertentu dari suatu sistem.

Berdasarkan uraian diatas maka pada penelitian ini penulis akan menganalisa pada bagian membership function dengan membandingkan hasil fungsi derajat keanggotaan yang dibentuk model trapesium dan model sigmoid dan diterapkan pada fuzzy inferensi sistem Sugeno Orde-Satu untuk mendapatkan pencapaian target maksimum.

1.2. Perumusan Masalah

Didalam logika fuzzy nilai keanggotaan adalah faktor yang sangat penting karena nilai tersebut sebagai faktor pengendali keberadaan elemen dalam suatu himpunan yang menunjukkan pemetaan terhadap titk-titik input data kedalam nilai keanggotaan yang memiliki interval 0 sampai 1. Fungsi keanggotaan merupakan dasar penting karena nilai keanggotaan menentukan posisi output dari sebuah

(4)

himpunan dalam fuzzy, jika posisi nilai keanggotaan tersebut tidak berada pada posisi yang benar maka akan menimbulkan permasalahan pada output suatu sistem yang menyebabkan keakuratan data tidak tercapai dan pencapaian target maksimum tidak terpenuhi.

1.3. Batasan Masalah

Agar permasalahan dapat diselesaikan dengan sistematis ilmiah, objektif dan terarah maka perlu dibatasi, adapun batasan masalahnya adalah sebagai berikut : 3. Dari beberapa fungsi keanggotaan yang ada, pada penelitian ini penulis

membatasi untuk menganalisis nilai keanggotaan dengan fungsi keanggotaan trapesium dan fungsi keanggotaan sigmoid.

4. Dari beberapa metode inferensi fuzzy yang ada, pada penelitian ini penulis membatasi dengan menggunakan metode inferensi fuzzy Sugeno Orde Satu. 5. Dalam analisis penulis akan menganalisis kualitas pelayanan sekolah pada

Sekolah Menengah Atas Methodist 1 Medan, dimana data yang diambil dalam studi kasus ini merupakan data tahun 2013.

6. Aplikasi dirancang dengan menggunakan Microsoft Visual Basic 2008.

1.4. Tujuan Penelitian

Tujuan dari penelitian ini adalah untuk membandingkan tingkat kerumitan dan keakuratan keberadaan elemen dalam suatu himpunan serta analisis fungsi keanggotaan yang tepat dengan menggunakan metode trapesium dan metode sigmoid pada sistem inferensi fuzzy Sugeno.

(5)

1.5. Manfaat Penelitian

Adapun manfaat yang diharapkan bisa didapat dari penelitian ini adalah:

1. Untuk menambah pengetahuan mengenai fuzzy terutama pada fungsi keanggotaan representasi kurva trapesium dan representasi kurva sigmoid serta inferensi model Sugeno.

2. Menguji dan menganalisa perbedaan nilai derajat keanggotaan yang dihasilkan dari metode trapesium dan metode sigmoid sehingga dapat digunakan untuk membantu dalam masalah pengambilan keputusan pencapaian target yang maksimum.

(6)

ANALISIS FUNGSI KEANGGOTAAN DALAM FUZZY INFERENCE SYSTEM

ABSTRAK

Dalam merancang pengendali berdasarkan logika fuzzy, faktor mendasar yang harus dipenuhi adalah penskalaan dari input-output, aturan dasar kendali fuzzy dan tipe fungsi keanggotaan yang digunakan. Pada logika fuzzy fungsi keanggotaan merupakan dasar penting karena nilai keanggotaan akan menentukan posisi output dari sebuah himpunan fuzzy. Ada beberapa tipe fungsi keanggotaan pada pengendali logika fuzzy antara lain Trianguler MF, Trapezoidal MF, Generalized Bell MF, Gaussian MF, Pi MF, Signoidal MF (terdiri dari psigmf dan dsigmf). Pada penelitian ini menganalisis tipe fungsi keangggotaan antara trapesium dan fungsi keanggotaan sigmoid yang digunakan untuk mengetahui pengaruh perbedaannya terhadap model inferensi fuzzy Sugeno orde satu secara umum. Dari hasil yang didapatkan berdasarkan kepuasan siswa, bahwa penggunaan kurva trapesium dan kurva sigmoid menghasilkan perbedaan linguistik. Dan model penilaian ini dapat digunakan dalam pengukuran kepuasan yang tidak memiliki standarisasi penilaian baku.

(7)

ANALYSIS OF MEMBERSHIP FUNCTION IN FUZZY INFERENCE SYSTEM

ABSTRACT

In designing controllers based on fuzzy logic , the fundamental factors that must be met is the scaling of the input - output , fuzzy control rule base and membership functions of the type used . In the fuzzy logic membership functions is an important basis for the value of the membership will determine the position of output a fuzzy set . There are several types of membership functions on a fuzzy logic controller , among others Trianguler MF , Trapezoidal MF , Generalized Bell MF , Gaussian MF , Pi MF , MF Signoidal ( consisting of psigmf and dsigmf ). In this research analyze the type membership function between trapezoidal and sigmoid membership functions are used to determine the effect of the difference to the model of first order Sugeno fuzzy inference in general . From the results obtained based on student satisfaction , that the use of trapezoidal curve and produce a sigmoid curve linguistic differences . And assessment model can be used in the measurement of satisfaction with no standardization of raw assessment .

(8)

BAB 1

PENDAHULUAN

1.1. Latar Belakang

(9)

(10)

1.2. Perumusan Masalah

(11)

1.3. Batasan Masalah

membatasi untuk menganalisis nilai keanggotaan dengan fungsi keanggotaan trapesium dan fungsi keanggotaan sigmoid.

Sekolah Menengah Atas Methodist 1 Medan, dimana data yang diambil dalam studi kasus ini merupakan data tahun 2013.

6. Aplikasi dirancang dengan menggunakan Microsoft Visual Basic 2008.

1.4. Tujuan Penelitian

(12)

1.5. Manfaat Penelitian

Adapun manfaat yang diharapkan bisa didapat dari penelitian ini adalah:

1. Untuk menambah pengetahuan mengenai fuzzy terutama pada fungsi keanggotaan representasi kurva trapesium dan representasi kurva sigmoid serta inferensi model Sugeno.

(13)

BAB 2

TINJAUAN PUSTAKA

Pada bab ini penulis akan menjelaskan mengenai landasan teori yang digunakan pada penelitian ini. Penjabaran ini bertujuan untuk memberikan pemahaman lebih mendalam kepada penulis dan pembaca laporan tentang teori-teori yang melandasi isi daripada penelitian ini. Teori yang digunakan antara lain : Logika Fuzzy, Himpunan Fuzzy, Fuzzification, Rule Evaluation, Fuzzy Inference System, Fuzzy Mamdani, Fuzzy Sugeno.

2.1. Logika Fuzzy

Fuzzy secara bahasa diartikan sebagai kabur atau samar-samar. Logika Fuzzy pertama kali diperkenalkan oleh Lotfi A. Zadeh, memiliki derajat keanggotaan dalam rentang 0 (nol) hingga 1 (satu), berbeda dengan logika digital yang hanya memiliki dua nilai yaitu 1 (satu) atau nol (0). Fuzzy Logic merupakan suatu logika yang memiliki nilai kekaburan atau kesamaran (fuzzyness) antara benar atau salah. Dalam teori fuzzy logic suatu nilai bisa bernilai benar atau salah secara bersamaan. Namun berapa besar kebenaran dan kesalahan tergantung pada bobot nilai keanggotaan yang dimilikinya.

(14)

Logika fuzzy digunakan untuk menerjemahkan suatu nilai yang diekspresikan menggunakan bahasa (linguistic), misalkan besaran kecepatan laju kendaraan yang diekspresikan dengan pelan, agak cepat, cepat dan sangat cepat. Logika fuzzy menunjukkan sejauh mana suatu nilai itu benar dan sejauh mana suatu nilai itu salah. Tidak seperti logika klasik (crisp)/ tegas, suatu nilai hanya memiliki 2 kemungkinan yaitu merupakan suatu anggota himpunan atau tidak. Derajat keanggotaan 0 (nol) artinya bukan merupakan anggota himpunan dan 1 (satu) berarti nilai tersebut adalah anggota himpunan.

Fuzzy dinyatakan dalam derajat keanggotaan dan derajat dari kebenaran. Oleh sebab itu sesuatu dapat dikatakan sebagian benar dan sebagian salah pada waktu yang sama, fuzzy logic memungkinkan nilai keanggotaan antara 0 dan 1, tingkat keabuan juga hitam dan putih, dalam bentuk linguistik, konsep tidak pasti seperti “sedikit”, “lumayan” dan “sangat” (Zadeh, 1965). Kelebihan dari teori logika fuzzy adalah kemampuan dalam proses penalaran secara bahasa (linguistic reasoning). Sehingga dalam perancangannya tidak memerlukan persamaan matematik dari objek yang dikendalikan.

2.2. Himpunan Fuzzy

Himpunan fuzzy didasarkan pada gagasan untuk memperluas jangkauan karakteristik sedemikian hingga fungsi tersebut akan mencakup bilangan real pada interval 0 dan 1. Nilai keanggotaannya menunjukkan bahwa suatu item dalam semesta pembicaraan tidak hanya berada pada 0 atau 1, namun juga nilai yang

(15)

terletak diantaranya. Dengan kata lain, nilai kebenaran suatu item tidak hanya bernilai benar atau salah (Kusumadewi, 2002)

Dengan teori himpunan logika samar, kita dapat merepresentasikan dan menangani masalah ketidakpastian, yang dalam hal ini bisa berarti keraguan, ketidaktepatan, kurang lengkapnya suatu informasi, dan kebenaran yang bersifat sebagaian (Altrock, 1997).

2.3. Fuzzifikasi

Fuzzyfication merupakan proses pemetaan nilai-nilai input (crisp input) yang berasal dari sistem yang dikontrol (besaran non fuzzy) ke dalam himpunan fuzzy menurut fungsi keanggotaannya. Himpunan fuzzy tersebut merupakan fuzzy input yang akan diolah secara fuzzy pada proses berikutnya. Untuk mengubah crisp input menjadi fuzzy input, terlebih dahulu harus menentukan membership function untuk tiap crisp input, kemudian proses fuzzyfikasi akan mengambil crisp input dan membandingkan dengan membership function yang telah ada untuk menghasilkan harga fuzzy input.

2.3.1. Membership Function

Fungsi keanggotaan (membership function) adalah suatu kurva yang menunjukkan pemetaan titik-titik input data kedalam nilai keanggotaannya atau sering juga disebut dengan derajat keanggotaan yang memiliki interval antara 0 dan 1. Salah satu cara yang dapat digunakan untuk mendapatkan nilai keanggotaan adalah dengan melalui pendekatan fungsi. Penentuan metode fungsi keanggotaan adalah

(16)

masalah yang signifikan untuk memilih tindakan dalam pemecahan masalah logika fuzzy. Ada beberapa fungsi yang dapat digunakan yaitu : representasi kurva segitiga, representasi kurva trapesium, representasi kurva sigmoid, representasi kurva bentuk bahu.

1. Representasi Linier

Pada representasi linear, pemetaan input ke derajat keanggotaannya digambarkan sebagai suatu garis lurus. Bentuk ini paling sederhana dan menjadi pilihan yang baik untuk mendekati suatu konsep yang kurang jelas. Ada dua keadaan himpunan fuzzy yang linear.

a. Representasi Linier Naik

Kenaikan himpunan dimulai pada nilai domain yang memiliki derajat keanggotaan nol [0] bergerak ke kanan menuju ke nilai domain yang memiliki derajat keanggotaan lebih tinggi.

Gambar 2.1 Representasi Linier Naik Fungsi keanggotaan :

�(�) =�

0, �<� �−�

�−� , � ≤ � ≤ �

1, � >�

(17)

b. Representasi Linier Turun

Garis lurus dimulai dari nilai domein dengan derajat keanggotaan tertinggi pada sisi kiri, kemudian bergerak menurun ke nilai domain yang memiliki derajar keanggotaan lebih rendah.

Gambar 2.2 Representasi Linier Turun Fungsi keanggotaan :

�(�) =�

1, �<� �−�

�−� , � ≤ � ≤ �

0, �>�

2. Representase Kurva Segitiga

Kurva segitiga pada dasarnya merupakan gabungan dari dua garis linier. Fungsi keanggotaan segitiga, disifati oleh parameter{a,b,c} yang didefenisikan sebagai berikut :

(18)

Gambar 2.3 Representasi Kurva Segitiga Fungsi keanggotaan :

�(�) =�

0, �< ��> � �−�

�−�, � ≤ � ≤ � �−�

�−�, �< � ≤ �

3. Representase Kurva Trapesium

Kurva travesium pada dasarnya sama dengan kurva segitiga, namun ada beberapa titik yang memiliki nilai keanggotaan 1.

Gambar 2.4 Representasi Kurva Trapesium Fungsi keanggotaan :

�(�) =

⎩ ⎪ ⎨ ⎪

⎧ 0,�−��< ��> � �−�, � ≤ �<�

1, � ≤ � <� �−�

�−� � ≤ �< �

(2.3)

(19)

4. Representase Kurva-S

Kurva pertumbuhan dan penyusutan merupakan kurva-S (sigmoid) yang berhubungan dengan kenaikan dan penurunan permukaan secara tak linier. a. Kurva Sigmoid Pertumbuhan

Kurva Sigmoid untuk pertumbuhan akan bergerak dari sisi paling kiri (nilai keanggotaan 0) ke sisi paling kanan yang (nilai keanggotaan 1). Pada kurva ini bahwa nilai keanggotaannya akan bertumpu pada 50% keanggotaannya atau yang sering disebut dengan titik infeksi (Cox, 1994)

Gambar 2.5 Representasi Kurva S : PERTUMBUHAN Fungsi keanggotaan :

�(�;�,�,�) =

⎩ ⎪ ⎨ ⎪

⎧ 0,�< �

2�(�−�) (_�−�)�

,� ≤ � ≤ �

1−2�_�−��−��2,�< � ≤ � 1,�>�

b. Kurva Sigmoid Penyusutan

Kurva Sigmoid Penyusutan akan bergerak dari sisi paling kana (nilai keanggotaan = 1) ke sisi paling kiri (nilai keanggotaan = 0)

(20)

Gambar 2.6 Representasi Kurva S : PENYUSUTAN Fungsi Keanggotaan :

�(�;�,�,�) =

⎩ ⎪ ⎨ ⎪

⎧ 1, � < �

1−2�(�−�) (�−�)�

, � ≤ � ≤ � 2�(�−�)

(�−�)� 2

, � <� ≤ � 0, �> �

Kurva-S didefenisikan dengan menggunakan 3 parameter, yaitu: nilai

keanggotaan µ(x)=0 yang disimbolkan dengan α, nilai keanggotaan

µ(x)=0,5 yang disimbolkan dengan β dan nilai keanggotaan µ(x)=1

disimbolkan dengan γ. Gambar 2.7 berikut ini menggambarkan

karakteristik kurva-S dalam bentuk skema.

Gambar 2.7 Karakteristik Fungsi Kurva-S

(21)

5. Representasi Kurva Beta

Kurva Beta berbentuk lonceng dengan derajat keanggotaan 1 terletak pada

pusat dengan domain (γ). Kurva ini didefenisikan dengan 2 parameter, yaitu nilai pada domain yang menunjukkan pusat kurva (γ), dan setengah lebar kurva (β) seperti terlihat pada gambar 2.x

Gambar 2.8 Karakteristik Fungsional Kurva Beta Fungsi keanggotaan :

�(�,�,�) =�1/ (1 +� − �

� )2

2.3.2. Rule Evaluation

Rule evaluation berfungsi untuk mencari suatu nilai fuzzy output dari fuzzy input dengan cara dimana suatu fuzzy input yang berasal dari fuzzification kemudian dimasukkan kedalam sebuah rule yang telah dibuat untuk dijadikan sebuah output.

(22)

Sebagai contoh : if suhu panas and kelembaban is kering then penyemprotan is sangat lama.

2.4. Fuzzy Inference System

Fuzzy Inference System (sistem inferensi fuzzy/FIS) disebut juga fuzzy inference engine yaitu sistem yang dapat melakukan penalaran terhadap nalurinya. Sistem Inferensi Fuzzy merupakan penduga numerik yang terstruktur dan dinamik. Sistem ini mempunyai kemampuan untuk mengembangkan sistem intelijen dalam lingkungan yang tidak pasti dan tidak tepat. Sistem ini menduga suatu fungsi dengan logika fuzzy. Terdapat beberapa jenis sistem inferensi fuzzy yang dikenal yaitu Mamdani, Sugeno dan Tsukamoto. Dalam sistem inferensi fuzzy ada beberapa komponen utama yang dibutuhkan. Komponen tersebut meliputi data variabel input, data variable output, dan data aturan. Untuk mengolah data masukan dibutuhkan beberapa fungsi meliputi fungsi fuzzifikasi yang terbagi 2, yaitu fungsi untuk untuk menentukan nilai jenis keanggotaan suatu himpunan dan fungsi penggunaan operator. Fungsi fuzzifikasi akan mengubah nilai crisp (nilai aktual) menjadi nilai fuzzy (nilai kabur). Selain itu, dibutuhkan pula fungsi defuzzifikasi, yaitu fungsi untuk memetakan kembali nilai fuzzy menjadi nilai crisp yang menjadi output/nilai solusi permasalahan. Pada penelitian ini metode yang akan dianalisis oleh penulis adalah metode Sugeno.

(23)

2.4.1. Model Fuzzy Mamdani

Metode Mamdani sering dikenal dengan nama Metode Max-Min. Metode ini diperkenalkan oleh Ebrahim Mamdani pada tahun 1975. Untuk mendapatkan output, diperlukan 4 tahapan:

1. Pembentukan Himpunan Fuzzy (Fuzzyfikasi)

Pada metode Mamdani, baik variabel input maupun output dibagi menjadi satu atau lebih himpunan fuzzy.

2. Aplikasi Fungsi Implikasi (Rule Base)

Pada metode Mamdani, fungsi implikasi yang digunakan adalah Min 3. Komposisi Aturan (Agregator)

Tidak seperti penalaran monoton, apabila sistem terdiri dari beberapa aturan, maka inferensi diperoleh dari kumpulan dan korelasi antar aturan. Ada 3 metode yang digunakan dalam melakukan inferensi sistem fuzzy, yaitu max, additive dan probalistik OR (probor).

a. Metode Max (Maximum)

Pada metode ini, solusi himpunan fuzzy diperoleh dengan cara mengambil nilai maksimum aturan, kemudian menggunakannya untuk memodifikasi daerah fuzzy, dan mengaplikasikannya ke output dengan menggunakan operator OR (union). Jika semua proposisi telah dievaluasi, maka output akan berisi suatu himpunan yang merefleksikan konstribusi dari tiap-tiap proposisi. Secara umum dapat dituliskan :

(24)

Dimana :

µsf[xi] = nilai keanggotaan solusi fuzzy sampai aturan ke-i µkf[xi] = nilai keanggotaan konsekuen fuzzy aturan ke-i b. Metode Additive (Sum)

Pada metode ini, solusi himpunan fuzzy diperoleh dengan cara melakukan bounded-sum terhadap semua output daerah fuzzy. Secara umum dituliskan :

µsf[xi] ← min(1,µsf[xi] + µkf[xi

dengan :

])

µsf[xi] = nilai keanggotaan solusi fuzzy sampai aturan ke-i µkf[xi] = nilai keanggotaan konsekuen fuzzy aturan ke-i c. Metode Probabilistik OR (Probor)

Pada metode ini, solusi himpunan fuzzy diperoleh dengan cara melakukan product terhadap semua output daerah fuzzy. Secara umum dituliskan : µsf[xi] ← (µsf [xi] + µkf[xi]) - (µsf[xi] * µkf[xi

Dengan :

])

µsf[xi] = nilai keanggotaan solusi fuzzy sampai aturan ke-i µkf[xi] = nilai keanggotaan konsekuen fuzzy aturan ke-i

4. Penegasan (defuzzyfikasi)

Input dari proses defuzzifikasi adalah suatu himpunan fuzzy yang diiperoleh dari komposisi aturan-aturan fuzzy rules, sedangkan output yang dihasilkan merupakan suatu bilangan pada domain himpunan fuzzy tersebut. Sehingga (2.9)

(25)

jika diberikan suatu himpunan fuzzy dalam range tertentu, maka harus dapat diambil suatu nilai crisp tertentu sebagai outputnya (Kusumadewi, 2002).

2.4.2. Model Fuzzy Sugeno

Penalaran dengan metode Sugeno hampir sama dengan penalaran metode Mamdani, hanya saja output (konsekuen) sistem tidak berupa himpunan fuzzy, melainkan berupa konstanta atau persamaan linier. Metode ini diperkenalkan oleh Takagi Sugeno Kang pada tahun 1985.

a. Model Fuzzy Sugeno Orde-Nol

Secara umum bentuk model fuzzy Sugeno Orde-Nol adalah:

dengan Ai

b. Model Fuzzy Sugeno Orde-Satu

adalah himpunan fuzzy ke-i sebagai anteseden, dan k adalah suatu konstanta (tegas) sebagai konsekuen.

Secara umum bentuk model fuzzy Sugeno Orde-Satu adalah:

dengan Ai adalah himpunan fuzzy ke-i sebagai anteseden, dan pi

Apabila komposisi aturan menggunakan metode Sugeno, maka defuzifikasi dilakukan dengan cara mencari nilai rata-ratanya.

adalah suatu konstanta (tegas) ke-i dan q juga merupakan konstanta dalam konsekuen.

(2.11)

(26)

2.5. Defuzzifikasi

Pada komposisi aturan Mamdani terdapat beberapa metode defuzzifikasi yaitu, metode centroid, metode Mean of Maximum (MOM), metode Largest of Maximum (LOM) dan metode Smallest of Maximum (SOM). Dalam penelitian ini digunakan metode defuzzyweighted average (rata-rata terbobot).

2.6. Riset Penelitian Terkait

Adapun penelitian-penelitian yang sudah dilakukan oleh orang lain yang berkaitan dengan penelitian ini dapat dilihat pada Tabel. 2.1 dibawah ini.

Tabel 2.1. Riset Terkait

Nama Peneliti Judul Pembahasan Tahun

Tamaki, Futoshi, Kanagawa, Akihiro, dan Ohta, Hiroshi Identification of membership function based on fuzzy observation data

Mengidentifikasi fungsi keanggotaan berdasarkan frekuensi dari fuzzy set yang dipilih

1998

Boy Fecra, Jaja Kustija, Siscka Elvyanti Optimasi Penggunaan Membership Function Logika Fuzzy Menerapkan fungsi keanggotaan dalam penentuan identifikasi kualitas yang lebih baik

2012

Suratno Pengaruh Perbedaan Tipe Fungsi Keanggotaan Pada Pengendali Logika

Fuzzy Terhadap Tanggapan Waktu

Sistem Orde Dua Secara Umum.

Membandingkan fungsi keanggotaan sistem pengendali logika fuzzy

dengan menggunakan Metode Sugeno

2002

Djunaidi,M, Eko S, Fajar WA

Penentuan Jumlah Produksi Dengan Aplikasi Metode Fuzzy

Mamdani

Menerapkan Metode Fuzzy Mamdani dalam penentuan jumlah produksi.

2005

Hamdani Penerapan Himpunan Fuzzy Untuk Sistem Pendukung Keputusan Pemilihan Telepon Celular

Menerapkan fungsi keanggotaan logika fuzzy

untuk memperoleh derajat keanggotaan suatu nilai pada Pemilihan Telephone Cellular

(27)

BAB 3

METODOLOGI PENELITIAN

3.1. Pendahuluan

Metodologi penelitian adalah suatu ilmu atau studi mengenai sistem ataupun tindakan menjalankan tugas investigasi untuk mendapatkan fakta baru, tambahan informasi dan sebagainya yang dapat bersifat mendalam. Pada bab ini akan dibahas mengenai metode penelitian melalui pendekatan fungsi keanggotaan yang dibentuk metode trapesium dan fungsi keanggotaan yang dibentuk metode sigmoid dalam FIS Sugeno melalui studi kasus pengambilan keputusan penilaian kulitas pelayanan sekolah.

3.2. Teknik Pengumpulan Data

Teknik yang digunakan peneliti dalam pengumpulan data yang dibutuhkan adalah dengan metode/teknik :

1. Melakukan observasi ke sekolah dengan mengajukan pertanyaan-pertanyaan kepada sekolah yang berhubungan dengan topik pembahasan sesuai dengan kebutuhan.

2. Siswa yang diberi kuesioner adalah siswa SMA kelas X (sepuluh) yang sedang mengikuti proses belajar mengajar disekolah yang meliputi SMA Reguler,

(28)

SMA Plus dan SMA Internasional. Kuesioner dibuat menggunakan skala Likert dalam jumlah sebanyak lima kategori berupa pernyataan sangat tidak baik, tidak baik, cukup baik, baik dan sangat baik.Penilaian yang dilakukan melalui kuesioner yang dirancang dengan mempertimbangkan kebijakan-kebijakan yang berlaku.

3. Instrumen yang digunakan dalam pengumpulan data menggunakan instrumen service quality.

3.3. Variabel Yang Diamati

Variabel yang akan digunakan sebagai bahan penelitian ini meliputi 5 variabel input dan 1 variabel output yang akan diuji untuk mengukur kualitas pelayanan sekolah terhadap kepuasan siswa.

Tabel 3.1. Variabel Penelitian Fungsi Nama Variabel

Input

Tangibles Reliability Responsiveness Assurance Emphaty

Output Kepuasan Siswa

Untuk mendapatkan tanggapan dari responden maka setiap variabel disusun sedemikian rupa dengan jumlah pertanyaan yang berbeda seperti yang digambarkan pada Tabel 3.2.

(29)

Tabel 3.2. Jumlah Pertanyaan Untuk Setiap Variabel Input No Kelompok Jumlah Pertanyaan

1 Tangibles 6

2 Reliability 5

3 Responsiveness 4

4 Assurance 6

5 Emphaty 5

Total Pertanyaan 26

Setiap pertanyaan terdiri dari 5 kategori jawaban yang sesuai dengan skala linkert 5 (lima), dan responden hanya boleh memilih satu kategori yaitu :

1. Kategori 1 : Sangat Tidak Baik (STB) 2. Kategori 2 : Tidak Baik (TB)

3. Kategori 3 : Cukup Baik (CB) 4. Kategori 4 : Baik (B)

5. Kategori 5 : Sangat Baik (SB)

3.4. Domain Fuzzy

Berdasarkan tabel 3.1 dan tabel 3.2, maka domain fuzzy dapat disusun seperti tabel 3.3 yaitu tabel domain fuzzy.

Tabel 3.3 Domain Fuzzy Variabel Himpunan Fuzzy

Tangibles

Sangat tidak baik STB

Tidak baik TB

Cukup baik C

Baik B

Sangat baik SB

Reliability Sangat tidak baik STB

(30)

Tabel 3.3 Domain Fuzzy (Lanjutan)

Cukup baik C

Baik B

Sangat baik SB

Responsiveness

Sangat tidak baik STB

Tidak baik TB

Cukup baik C

Baik B

Sangat baik SB

Assurance

Sangat tidak baik STB

Tidak baik TB

Cukup baik C

Baik B

Sangat baik SB

Emphaty

Sangat tidak baik STB

Tidak baik TB

Cukup baik C

Baik B

Sangat baik SB

Kepuasan Siswa

Kurang K

Cukup C

Baik B

Sangat Baik SB

3.5. Data Penelitian

Data yang digunakan untuk penelitian ini adalah sebanyak 133 orang siswa yang terbagi atas 3 jenis kelas. Dari 133 responden, 15 responden adalah siswa kelas X-Internasional, 43 responden adalah siswa kelas X-Plus, 75 responden adalah siswa kelas X-Reguler. Dari data yang diperoleh, responden memberikan jawaban yang bervariasi untuk setiap variabel, dimana untuk variabel tangibles responden

(31)

memberikan skor jawaban tertinggi 30, sedangkan skor terendah adalah 12. Untuk variabel reliability skor tertinggi adalah 25 dan skor terendah adalah 11. Untuk variabel responsiveness skor tertinggi adalah 20 dan skor terendah adalah 6. Untuk variabel assurance skor tertinggi adalah 30 dan skor terendah adalah 8. Untuk variabel emphaty skor tertinggi adalah 25 dan skor terendah adalah 5. Dari skor responden dapat ditabelkan seperti tabel 3.4.

Tabel 3.4 Nilai Tertinggi dan Terendah Untuk Setiap Variabel No. Variabel Jawaban Responden

Nilai Tertinggi Nilai Terendah

1 Tangibles (x1) 30 12

2 Reliability (x2) 25 11

3 Responsiveness (x3) 20 6

4 Assurance (x4) 30 8

5 Emphaty (x5) 25 5

3.6. Fuzzyfikasi

3.6.1. Fuzzyfikasi Tangibles

Variabel Tangibles berupa bukti langsung yang dapat dilihat atau dirasakan oleh siswa meliputi penampilan fisik sekolah, perlengkapan dan peralatan pendukung pembelajaran di kelas, keadaan perpustakaan dan laboratorium praktek siswa. Untuk mendapatkan tanggapan dari pasien pada variabel tangibles disusun 6 pertanyaan yaitu :

1. Bangunan gedung sekolah yang kondusif

2. Kondisi ruangan kelas yang nyaman, bersih dan rapi 3. Kelengkapan peralatan pendukung belajar mengajar 4. Sekolah memiliki perpustakaan yang memadai

(32)

6. Tersedianya tempat parkir yang cukup

Fungsi keanggotaan (membership function) variabel tangibles ini dalam bentuk fungsi kurva trapesium dan kurva sigmoid seperti pada gambar 3.1 dan 3.2

Gambar 3.1. Fuzyfikasi variabel tangibles dengan kurva Trapesium

Gambar 3.2. Fuzzyfikasi variabel tangibles dengan kurva Sigmoid

3.6.2. Fuzzyfikasi Reliability

Reliability yaitu kemampuan memberikan pelayanan yang dijanjikan dengan segera, akurat dan memuaskan. Untuk mendapatkan tanggapan siswa disusun dalam 5 pertanyaan yaitu :

1. Sistem administrasi berkas bebas dari kesalahan dan akurat.

2. Guru memberikan bahan ajar untuk melengkapi materi yang diberikan di kelas. 3. Guru mengalokasikan waktu untuk diskusi dan tanya jawab.

4. Pelayanan penyerahan bantuan dijalankan dengan tepat dan cepat. x µx

STB TB CB B SB

12 14,57 17,14 19,71 22,28 24,86 27,43 30

30 25,5 21

16,5 12

(33)

Fungsi keanggotaan (membership function) untuk variabel Reliability dalam bentuk kurva trapesium dan kurva sigmoid seperti pada gambar 3.3 dan 3.4

Gambar 3.3. Fuzzyfikasi variabel reliability dengan kurva Trapesium

Gambar 3.4. Fuzzyfikasi variabel reliability dengan kurva Sigmoid

3.6.3. Fuzzifikasi Responsive

Responsiveness yaitu kesediaan guru dan pegawai untuk memberikan perhatian yang tepat. Untuk mendapatkan tanggapan siswa, disusun dalam 4 pertanyaan yaitu:

1. Guru dan pegawai selalu bersedia membantu siswa

2. Guru selalu memberikan informasi yang dibutuhkan siswa

3. Kesibukan guru dan pegawai tidak mengurangi layanan yang cepat dan tepat 4. Pelaksanaan ujian yang tepat waktu

Fungsi keanggotaan (membership function) untuk variabel responsiveness ini dalam bentuk kurva trapesium dan kurva sigmoid seperti gambar 3.5 dan 3.6

25 21,5 18

14,5 11

STB TB CB B SB

x µx

STB TB CB B SB

(34)

Gambar 3.5. Fuzzyfikasi variabel responsiveness dengan kurva Trapesium

Gambar 3.6. Fuzzyfikasi variabel responsiveness dengan kurva Sigmoid

3.6.4. Fuzzyfikasi Assurance

Assurance merupakan kemampuan dari guru, pegawai dan petugas sekolah untuk memberikan keyakinan kepada siswa terhadap pelayanan dari sekolah. Untuk mendapatkan tanggapan disusun 6 pertanyaan sebagai berikut :

1. Guru dan pegawai memiliki sikap sopan dan ramah.

2. Siswa/i dan nyaman ketika berkomunikasi dengan guru dan pegawai.

3. Guru dan pegawai menampilkan rasa percaya dan bebas keragu-raguan dalam melaksanakan tugas.

4. Permasalahan/ keluhan siswa selalu ditangani dengan baik oleh sekolah. 5. Waktu dipergunakan secara efektif oleh guru dalam proses pengajaran. 6. Adanya sanksi bagi siswa yang melanggar peraturan yang telah ditetapkan. Fungsi keanggotaan (membership function) untuk variabel assurance ini dalam

20 16,5 13

9,5 6

STB TB CB B SB

x µx

STB TB CB B SB

(35)

Gambar 3.7. Fuzzyfikasi variabel assurance dengan kurva Sigmoid

Gambar 3.8. Fuzzyfikasi variabel assurance dengan kurva Sigmoid

3.6.5. Fuzzyfikasi Emphaty

Emphaty yaitu mencakup kepedulian serta perhatian individu atau secara bersama-sama dengan kebutuhan siswa. Untuk mendapatkan tanggapan dari siswa disusun 5 pertanyaan sebagai berikut:

1. Guru dan pegawai mengenal siswa dengan baik.

2. Pemahaman guru dan pegawai akan kebutuhan siswa/i .

3. Guru dan pegawai selalu sungguh-sungguh memperhatikan kepentingan siswa. 4. Sekolah berusaha memahami minat dan bakat siswa dan berusaha

mengembangkannya.

5. Sikap guru dan pegawai dalam menanggapi pertanyaan dari keluarga siswa. Fungsi keanggotaan (membership function) untuk variabel emphaty ini dalam

30 24,5 19

13,5 8

STB TB CB B SB

x µx

STB TB CB B SB

(36)

Gambar 3.9. Fuzzyfikasi variabel emphaty dengan kurva Trapesium

Gambar 3.10. Fuzzyfikasi variabel emphaty dengan kurva Sigmoid

3.7. Fungsi Keanggotaan

Fungsi keanggotaan untuk setiap variabel adalah sebagai berikut : µSTB(x), yaitu

keanggotaan Sangat Tidak Baik, µTB(x) yaitu nilai keanggotaan untuk Tidak Baik, µCB(x) yaitu nilai keanggotaan untuk Cukup Baik, µB(x) yaitu nilai keanggotaan

Baik, µSB(x) yaitu nilai keanggotaan untuk Sangat Baik yang kemudian dianalisa

untuk menentukan nilai keanggotaan dengan pendekatan fungsi keanggotaan trapesium dan nilai keanggotaan dengan pendekatan fungsi sigmoid untuk menunjukkan pemetaan input data.

3.8. Rule Evaluation

Berdasarkan instrument penelitian yang disusun sebelumnya pada tabel 3.3, maka setiap variabel memiliki bobot yang disajikan pada tabel 3.5.

25 20

15 10

STB TB CB B SB

x µx

STB TB CB B SB

(37)

Tabel 3.5 Pembobotan Variabel No. Jawaban Variabel Sangat Baik (SB) Baik (B) Cukup Baik (CB) Tidak Baik (TB) Sangat Tidak Baik (STB) 1 Tangibles (X1) 23.077 18.462 13.846 9.231 4.615 2 Reliability (X2) 19.231 15.384 11.538 7.692 3.847 3 Responsiveness (X3) 15.384 12.308 9.232 6.154 3.076 4 Assurance (X4) 23.077 18.462 13.846 9.231 4.615 5 Emphaty (X5) 19.231 15.384 11.538 7.692 3.847

Berdasarkan tabel pembobotan variabel rule yang terbentuk adalah 55

R1 if x1 = SB and x2 = SB and x3 = SB and x4 = SB and x5 = SB then f(x) = 23.077*x1 + 19.231*x2 + 15.384*x3 + 23.077*x4 + 19.231*x5

yaitu sebanyak 3125 rule yang disusun menjadi inferensi Sugeno yaitu :

R2 if x1 = SB and x2 = SB and x3 = SB and x4 = SB and x5 = B then f(x) = 23.077*x1 + 19.231*x2 + 15.384*x3 + 23.077*x4 + 15.384*x5

R3 if x1 = SB and x2 = SB and x3 = SB and x4 = SB and x5 = CB then f(x) = 23.077*x1 + 19.231*x2 + 15.384*x3 + 23.077*x4 + 11.538*x5

R4 if x1 = SB and x2 = SB and x3 = SB and x4 = SB and x5 = TB then f(x) = 23.077*x1 + 19.231*x2 + 15.384*x3 + 23.077*x4 + 7.692*x5

R5 if x1 = SB and x2 = SB and x3 = SB and x4 = SB and x5 = STB then f(x) = 23.077*x1 + 19.231*x2 + 15.384*x3 + 23.077*x4 + 3.847*x5

. . .

R3125 if x1 = STB and x2 = STB and x3 = STB x4 = STB and x5 = STB then f(x) = 4.615*x1 + 3.847*x2 + 3.076*x3 + 4.615*x4 + 3.847*x5

(38)

3.9. Defuzzyfikasi

Defuzzyfikasi merupakan tahapan yang dilakukan pengambilan fuzzy output untuk mendapatkan hasil dalam bentuk crisp dari kepuasan siswa, dimana metode yang digunakan adalah defuzy weighted average (rata-rata terbobot). Untuk menentukan

nilai predikat (α-predikat) dengan menggunakan aturan persamaan 3.1. α-predikat(i) = min(µtangibles(x),µreliability(x),µresponsive(x),µassurance(x),µemphaty

Untuk menghitung nilai kepuasan dirumuskan dengan persamaan dibawah ini :

�= ∑ ��(�) �

�=1

∑�_�=1�(�) … (3.2)

(x)) .(3.1)

Analisa defuzzyfikasi dengan menggunakan kurva sigmoid seperti pada gambar 3.11 di bawah ini:

Gambar 3.11 Fuzzyfikasi Linguistik Kepuasan Dimana :

Interval = (nilai tertinggi – nilai terendah ) / 3 …(3.3) X1 : nilai z terkecil

X2 : X1 + interval X3 : X2 + interval X4 : nilai z terbesar

x µx

K C B SB

X4 X3

X2 X1

(39)

Dengan aturan logika fuzzy, maka kepuasan siswa dengan derajat keanggotaannya dihitung dengan persamaan 3.4.

��(��) =

⎩ ⎪ ⎨ ⎪

⎧ 1, � ≤ �1

1−2�_�2−�1�−�1�2, �1 <� ≤�2+�1₂ 2�_�2−�1�2−��2, �2+�1₂ <� ≤ �2

0, �> �2

��(��) =

⎩ ⎨

⎧ 0, �1<�1 �� >�3 1+((�−�2)/(�2−�1)/2))2, �1≤ � ≤ �2

1+((�−�2)/(�3−�2)/2)2, �2 <� ≤ �3

��(��) =

⎩ ⎨

⎧ 0,�1<�2 ��>�4 1+((�−�3)/(�3−�2))2,�2≤ � ≤ �3

1+((�−�3)/(�4−�3))2,�3 <� ≤ �4

��(��) =

⎩ ⎪ ⎨ ⎪

⎧ 0,�< �3

2(_�4−�3�−�3)2,�3 < � ≤�4+�3₂ 1−2�_�2−�1�−�1�2,�4+�3₂ < � ≤ �4

1, �>�4

(40)

3.10. Analisis Sistem

Gambar 3.12. Langkah-langkah Analisis Sistem

Data yang sudah dikumpulkan akan diolah dengan beberapa langkah seperti gambar 3.12, dimana data yang akan digunakan merupakan hasil dari kuesioner yang ditabulasikan dan masih merupakan linguistik dengan himpunan tegas. Pada tahap fuzzyfication ditentukan tahapan penentuan derajat keanggotaan dengan variabel : tangibles, responsibility, responsiveness, assurance, emphaty, kemudian variabel tersebut dibentuk kedalam himpunan fuzzy: sangat tidak baik, tidak baik, cukup baik, baik, sangat baik. Pada tahap membership function dianalisa untuk menentukan nilai keanggotaan dengan pendekatan fungsi keanggotaan trapesium dan nilai keanggotaan dengan pendekatan fungsi sigmoid untuk menunjukkan

(41)

pemetaan input data. Pada tahap rule evaluation aturan basis data dengan pencarian nilai fuzzy output dan dilanjutkan dengan mesin inferensi model Sugeno Orde Satu. Dan pada defuzzification dilakukan pengambilan fuzzy output untuk mendapatkan nilai linguistik dengan derajat keanggotaannya, kemudian nilai-nilai tersebut dimasukkan kedalam rumus dan mendapatkan hasil dalam bentuk nilai crisp (tegas) yang akan digunakan untuk mendapatkan nilai linguistik kepuasan dengan derajat keanggotaannya masing-masing.

(42)

BAB 4

HASIL DAN PEMBAHASAN

4.1. Pendahuluan

Bab ini akan menyajikan hasil dari penelitian yang telah diambil dari kuesioner yang diberikan kepada siswa yang mengikuti proses belajar mengajar di SMA Methodist 1 Medan. Untuk pengujian penelitian, jumlah responden sebanyak 133 orang yang terbagi atas Kelas SMA Reguler, SMA Plus dan SMA Internasional.

Dari data yang diperoleh, kemudian diolah dengan menggunakan Microsoft Excell untuk mentabulasikan semua jawaban responden dan mencari total skor yang diberikan setiap responden, data yang sudah ditabulasikan kemudian diolah untuk mendapatkan nilai skor terendah dan skor tertinggi yang digunakan sebagai pengaturan nilai interval fungsi fuzzy.

Seperti yang telah dijelaskan pada bab sebelumnya, bahwa penelitian ini akan menentukan kepuasan siswa terhadap pelayanan dari sekolah yang diukur dari 5 (lima) variabel yaitu Tangibles, Reliability, Responsive, Assurance dan Emphaty.

Pada penelitian ini, kepuasan siswa dapat dikelompokkan dengan 4 (empat) linguistik kepuasan dengan nilai Kurang, Cukup, Baik dan Sangat Baik. Setelah mendapatkan hasil fuzzyfikasi pada setiap variabel, maka dilakukan pengelolaan inferensi sesuai dengan aturan yang dijelaskan pada bab 3, dari hasil akan didapat

(43)

nilai kepuasan siswa dalam bentuk himpunan tegas (z). untuk mendapatkan kepuasan pasien dalam bentuk linguistik, maka digunakan metode defuzzy Weight Average (WA).

4.2. Hasil Percobaan

Pengolahan data dimulai dengan mengolah data kuesioner kedalam Microsoft Excell dan kemudian digunakan sebagai input data menjadi tabel nama kelas dan jawaban untuk pertanyaan dan rata-rata untuk setiap variabel seperti pada gambar 4.2 berikut ini;

Gambar 4.2 Tampilan Tabulasi Jawaban Responden

Gambar 4.3 dibawah ini menunjukkan nilai tertinggi dan nilai terendah untuk setiap variabel yang digunakan sebagai batas akhir dan batas awal untuk fuzzyfikasi variabel.

(44)

Gambar 4.3 Nilai Maximum dan Nilai Minimum Setiap Variabel

4.2.1. Nilai Keanggotaan Kurva Trapesium

Berdasarkan nilai maksimum dan nilai minimum dari hasil pengolahan tabulasi input data maka ditentukan fungsi keanggotaan (membership function) masing-masing variabel. Dengan menggunakan kurva trapesium maka dapat dilihat pada gambar 4.4 berikut ini.

Gambar 4.4 Nilai Keanggotaan Kurva Trapesium

Untuk Kelas X-Reguler berdasarkan gambar diatas nilai keanggotaan yang diperoleh untuk variabel tangibles adalah Cukup Baik dengan derajat keanggotaan 1, nilai keanggotaan variabel reability adalah Cukup Baik dengan derajat keanggotaan 1, nilai keanggotaan variabel responsive adalah Cukup Baik dengan

(45)

derajat keanggotaan sebesar 0.695 dan nilai Baik sebesar 0.305, nilai keanggotaan variabel assurance adalah Cukup Baik dengan derajat keanggotaan 0.618 dan nilai Baik sebesar 0.369, nilai keanggotaan untuk variabel emphaty adalah Cukup Baik dengan derajat keanggotaan sebesar 0.737 dan nilai Baik sebesar 0.262.

4.2.2. Nilai Keanggotaan Kurva Sigmoid

Berdasarkan nilai maksimum dan nilai minimum dari hasil pengolahan tabulasi input data maka ditentukan fungsi keanggotaan (membership function) masing-masing variabel. Dengan menggunakan kurva sigmoid maka dapat dilihat pada gambar 4.5 berikut ini.

Gambar 4.5 Nilai Keanggotaan Kurva Sigmoid

Untuk Kelas X-Reguler berdasarkan gambar diatas nilai keanggotaan yang diperoleh untuk variabel tangibles adalah Cukup Baik dengan derajat keanggotaan 0.975 dan nilai Baik sebesar 0.228, nilai keanggotaan variabel reability adalah Cukup Baik dengan derajat keanggotaan 0.930 dan nilai Baik sebesar 0.251, nilai keanggotaan variabel responsive adalah Cukup Baik dengan derajat keanggotaan

(46)

0 1

21.36

Cukup Baik dengan derajat keanggotaan sebesar 0.503 dan nilai Baik sebesar 0.496., nilai keanggotaan untuk variabel emphaty adalah Cukup Baik dengan derajat keanggotaan sebesar 0.503 dan nilai Baik sebesar 0.496.

4.3. Pembahasan

Untuk melihat perbandingan dari kedua model yang ditunjukkan dengan melakukan pengujian pada salah satu tingkat Kelas yaitu kelas X-Reguler maka diperoleh variabel sebagai berikut :

Tangibles(X1) = 21.36, reliability (X2) = 18.48, responsive (X3) = 14.61, assurance (X4) = 21.73, emphaty (X5) = 17.17.

4.3.1. Model Fuzzy dengan Kurva Trapesium a. Tangibles

Gambar 4.6 Fuzzyfikasi Tangibles untuk Kelas X-Reguler

Dari gambar diatas, nilai variabel tangibles dengan nilai rata-rata dari responden adalah 21.36, maka diperoleh nilai keanggotaan Cukup Baik (CB) sebesar 1. µCB(21.36) = 1

x µx

STB TB CB B SB

(47)

0.305 0

b. Reliability

Gambar 4.4 Fuzzyfikasi Reliability untuk Kelas X-Reguler

Dari gambar diatas, nilai variabel reliability dengan nilai rata-rata dari responden adalah 18.48, maka diperoleh nilai keanggotaan Cukup Baik (CB) sebesar 1. µCB(18.48) = 1

c. Responsive

Gambar 4.5 Fuzzyfikasi Responsive untuk Kelas X-Reguler

Dari gambar diatas, nilai variabel responsive dengan nilai rata-rata dari responden adalah 14.61 maka diperoleh nilai keanggotaan Cukup Baik (CB) sebesar 0.695 dan nilai Baik (B) sebesar 0.305.

µCB(14.61) = (16-14.61)/(16-14)= 0.695 µB(14.61) = (14.61-14)/(16-14)= 0.305

0.695 1

18.48

x µx

STB TB CB B SB

11 13 15 17 19 21 23 25

14.61

x µx

STB TB CB B SB

(48)

d. Assurance

Gambar 4.6 Fuzzyfikasi Assurance untuk Kelas X-Reguler

Dari gambar diatas, nilai variabel assurance dengan nilai rata-rata dari responden adalah 21.73 maka diperoleh nilai keanggotaan Cukup Baik (CB) sebesar 0.618 dan nilai Baik (B) sebesar 0.369.

µCB(21.73) = (23.71-21.73)/(23.71-20.57)= 0.627 µB(21.73) = (21.73-20.57)/(23.71-20.57)= 0.373

e. Emphaty

Gambar 4.7 Fuzzyfikasi Emphaty untuk Kelas X-Reguler

Dari gambar diatas, nilai variabel emphaty dengan nilai rata-rata dari responden adalah 17.17 maka diperoleh nilai keanggotaan Cukup Baik (CB) sebesar 0.737 dan nilai Baik (B) sebesar 0.255.

µCB(17.17) = (19.28-17.17)/(19.28-16.42)= 0.745 µB(17.17) = (17.17-16.42)/(19.28-16.42)= 0.255

0.255 0.737 0.369 0.618

21.73

x µx

STB TB CB B SB

8 11,14 14,28 17,43 20,57 23,71 26,86 30

17.17

x µx

STB TB CB B SB

(49)

Tabel 4.1 Tabulasi Derajat Keanggotaan Kelas X-Reguler dengan Kurva Trapesium

Variabel

Tangiables Reliability Responsive Assurance Emphaty

Linguistik CB CB CB B CB B CB B

Derajat Keanggotaan

1 1 0.695 0.305 0.627 0.373 0.745 0.255

Berikut merupakan kombinasi yang dapat dibentuk dari nilai-nilai setiap variabel dengan menggunakan rule IF – THEN, dimana variabel X1 (CB), X2 (CB), X3 (CB,B), X4 (CB,B), X5 (CB,B) seperti gambar 4.8 berikut ini

X1 X2 X3 X4 X5

CB CB CB CB CB

B B B

Gambar 4.11 Kombinasi Rule yang Terbentuk dengan Kurva Trapesium Berdasarkan gambar diatas akan terbentuk menjadi 8 rule yaitu :

R1 if X1=CB and X2=CB and X3=CB and X4=CB and X5=CB then

Kepuasan = 13.846 X1 + 11.538 X2 + 9.232 X3 + 13.846 X4 + 11.538 X5 Z1= 13.85*21.36*100/30+11.538*18.48*100/25+9.232*14.61*100/20

+13.846*21.73*100/30+11.538*17.17*100/25 Z1= 4308.463

α1= min(1,1,0.695,0.627,0.745) = 0.627

R2 if X1=CB and X2=CB and X3=CB and X4=CB and X5=B then

Kepuasan = 13.846 X1 + 11.538 X2 + 9.232 X3 + 13.846 X4 + 11.538 X5 Z1= 13.85*21.36*100/30+11.538*18.48*100/25+9.232*14.61*100/20

(50)

α2= min(1,1,0.695,0.627,0.255) = 0.255

R8 if X1=CB and X2=CB and X3=B and X4=B and X5=B then

Kepuasan =13.846 X1 + 11.538 X2 + 12.308X3 + 18.462 X4 + 15.348X5 Z1= 13.85*21.36*100/30+11.538*18.48*100/25+12.308*14.61*100/20

+18.462 *21.73*100/30+15.348*17.17*100/25 Z1= 5131.660

α8= min(1,1,0.305,0.373,0.255) = 0.255 .

. .

(51)

Tabel 4.2 Tabulasi Rule Kelas X-Reguler dengan Kurva Trapesium

NO NILAI VARIABEL DERAJAT KEANGGOTAAN BOBOT VARIABEL INFERENSI

X1 X2 X3 X4 X5 mf1 mf2 mf3 mf4 mf5 x1 x2 x3 x4 x5 Z.Tot (α) z*α 1 CB CB CB CB CB 1 1 0.695 0.627 0.745 13.846 11.538 9.232 13.846 11.538 4308.463533 0.627 27.01406635 2 CB CB CB CB B 1 1 0.695 0.627 0.255 13.846 11.538 9.232 13.846 15.384 4572.606813 0.255 11.66014737 3 CB CB CB B CB 1 1 0.695 0.373 0.745 13.846 11.538 9.232 18.462 11.538 4642.8158 0.373 17.31770293 4 CB CB CB B B 1 1 0.695 0.373 0.255 13.846 11.538 9.232 18.462 15.384 4906.95908 0.255 12.51274565 5 CB CB B CB CB 1 1 0.305 0.627 0.745 13.846 11.538 12.308 13.846 11.538 4533.165333 0.305 13.82615427 6 CB CB B CB B 1 1 0.305 0.627 0.255 13.846 11.538 12.308 13.846 15.384 4797.308613 0.255 12.23313696 7 CB CB B B CB 1 1 0.305 0.373 0.745 13.846 11.538 12.308 18.462 11.538 4867.5176 0.305 14.84592868 8 CB CB B B B 1 1 0.305 0.373 0.255 13.846 11.538 12.308 18.462 15.384 5131.66088 0.255 13.08573524

Σα 2.63 Σ(z.α) 122.495617 Σ(z.α)

(52)

4.3.2. Model Fuzzy dengan Kurva Sigmoid a. Tangibles

Gambar 4.12 Fuzzyfikasi Tangibles Kelas X-Reguler dengan Kurva Sigmoid Dari gambar diatas, nilai variabel tangibles dengan nilai rata-rata dari responden adalah 21.36, maka diperoleh nilai keanggotaan Cukup Baik (CB) sebesar 0.975 dan nilai Baik (B) sebesar 0.228.

µCB(21.36) = 1/(1+((21.36-21)/2.25)^2)= 0.975 µB(21.36) = 1/(1+((21.36-25.5)/2.25)^2)= 0.228

b. Reliability

Gambar 4.113 Fuzzyfikasi Reliability Kelas X-Reguler dengan Kurva Sigmoid Dari gambar diatas, nilai variabel tangibles dengan nilai rata-rata dari responden adalah 18.48, maka diperoleh nilai keanggotaan Cukup Baik (CB) sebesar 0.930 dan nilai Baik (B) sebesar 0.251.

µCB(18.48) = 1/(1+((18.48-18)/1.75)^2)= 0.930 µB(18.48) = 1/(1+((18.48-21.5)/1.75)^2)= 0.251

0.251 0.930 0.228 0.975

21.38

30 25,5 21

16,5 12

STB TB CB B SB

18.48

25 21,5 18

14,5 11

(53)

c. Responsive

Gambar 4.14 Fuzzyfikasi Responsive Kelas X-Reguler dengan Kurva Sigmoid Dari gambar diatas, nilai variabel responsive dengan nilai rata-rata dari responden adalah 14.61 maka diperoleh nilai keanggotaan Cukup Baik (CB) sebesar 0.541 dan nilai Baik (B) sebesar 0.461.

µCB(14.61) = 1/(1+((14.61-13)/1.75)^2)= 0.541 µB(14.61) = 1/(1+((14.61-16.5)/1.75)^2)= 0.461

d. Assurance

Gambar 4.15 Fuzzyfikasi Assurance Kelas X-Reguler dengan Kurva Sigmoid Dari gambar diatas, nilai variabel assurance dengan nilai rata-rata dari responden adalah 21.73 maka diperoleh nilai keanggotaan Cukup Baik (CB) sebesar 0.503 dan nilai Baik (B) sebesar 0.496.

µCB(21.73) = 1/(1+((21.73-19)/2.75)^2)= 0.503 µB(21.73) = 1/(1+((21.73-24.5)/2.75)^2)= 0.496

0.503 0.496

0.461 0.541

14.61

20 16,5 13

9,5 6

STB TB CB B SB

21.73

30 24,5 19

13,5 8

(54)

e. Emphaty

Gambar 4.16 Fuzzyfikasi Emphaty Kelas X-Reguler dengan Kurva Sigmoid Dari gambar diatas, nilai variabel emphaty dengan nilai rata-rata dari responden adalah 17.17 maka diperoleh nilai keanggotaan Cukup Baik (CB) sebesar 0.570 dan nilai Baik (B) sebesar 0.438.

µCB(17.17) = 1/(1+((17.17-15)/2.5)^2)= 0.570 µB(17.17) = 1/(1+((17.17-20)/2.5)^2)= 0.438

Tabel 4.3 Tabulasi Derajat Keanggotaan Kelas X-Reguler dengan Kurva Sigmoid Variabel

Tangiables Reliability Responsive Assurance Emphaty

Linguistik CB B CB B CB B CB B CB B

Derajat Keanggotaan

0.975 0.228 0.930 0.251 0.541 0.461 0.503 0.496 0.57 0.438

Berikut merupakan kombinasi yang dapat dibentuk dari nilai-nilai setiap variabel dengan menggunakan rule IF – THEN, dimana variabel X1 (CB,B), X2 (CB,B), X3 (CB,B), X4 (CB,B), X5 (CB,B) seperti gambar 4.14 berikut ini :

X1 X2 X3 X4 X5

CB CB CB CB CB

B B B B B

Gambar 4.17 Kombinasi Rule yang Terbentuk dengan Kurva Sigmoid

0.570 0.438

17.17

25 20

15 10

(55)

Berdasarkan gambar diatas maka akan terbentuk 32 rule yaitu :

R1 if X1=CB and X2=CB and X3=CB and X4=CB and X5=CB then

Kepuasan = 13.846 X1 + 11.538 X2 + 9.232 X3 + 13.846 X4 + 11.538 X5 Z1= 13.85*21.36*100/30+11.538*18.48*100/25+9.232*14.61*100/20

+13.846*21.73*100/30+11.538*17.17*100/25 Z1= 4308.463

α1= min(1,1,0.695,0.627,0.745) = 0.627

R32 if X1=B and X2=B and X3=B and X4=B and X5=B then

Kepuasan = 18.462 X1 + 15.384 X2 + 12.308 X3 + 18.462 X4 + 15.384 X5 Z32= 18.462*21.36*100/30 + 15.384*18.48*100/25 + 12.308 *21.73*100/30

+ 18.462*21.73*100/30 + 15.384*17.17*100/25

α32 = min(0.228,0.251,0.461,0.496,0.438)= 0.228

. . .

(56)

Tabel 4.4 Kombinasi Rule Kelas X-Reguler dengan Kurva Sigmoid

NO NILAI VARIABEL DERAJAT KEANGGOTAAN BOBOT VARIABEL INFERENSI

X1 X2 X3 X4 X5 mf1 mf2 mf3 mf4 mf5 x1 x2 x3 x4 x5 Z.Tot α z*α 1 CB CB CB CB CB 0.975 0.93 0.541 0.503 0.57 13.846 11.538 9.232 13.846 11.538 4308.463533 0.503 21.67157157 2 CB CB CB CB B 0.975 0.93 0.541 0.503 0.438 13.846 11.538 9.232 13.846 15.384 4572.606813 0.438 20.02801784 3 CB CB CB B CB 0.975 0.93 0.541 0.496 0.57 13.846 11.538 9.232 18.462 11.538 4642.8158 0.496 23.02836637 4 CB CB CB B B 0.975 0.93 0.541 0.496 0.438 13.846 11.538 9.232 18.462 15.384 4906.95908 0.438 21.49248077 5 CB CB B CB CB 0.975 0.93 0.461 0.503 0.57 13.846 11.538 12.308 13.846 11.538 4533.165333 0.461 20.89789219 6 CB CB B CB B 0.975 0.93 0.461 0.503 0.438 13.846 11.538 12.308 13.846 15.384 4797.308613 0.438 21.01221173 7 CB CB B B CB 0.975 0.93 0.461 0.496 0.57 13.846 11.538 12.308 18.462 11.538 4867.5176 0.461 22.43925614 8 CB CB B B B 0.975 0.93 0.461 0.496 0.438 13.846 11.538 12.308 18.462 15.384 5131.66088 0.438 22.47667465 9 CB B CB CB CB 0.975 0.251 0.541 0.503 0.57 13.846 15.384 9.232 13.846 11.538 4592.759853 0.251 11.52782723 10 CB B CB CB B 0.975 0.251 0.541 0.503 0.438 13.846 15.384 9.232 13.846 15.384 4856.903133 0.251 12.19082686 11 CB B CB B CB 0.975 0.251 0.541 0.496 0.57 13.846 15.384 9.232 18.462 11.538 4927.11212 0.251 12.36705142 12 CB B CB B B 0.975 0.251 0.541 0.496 0.438 13.846 15.384 9.232 18.462 15.384 5191.2554 0.251 13.03005105 13 CB B B CB CB 0.975 0.251 0.461 0.503 0.57 13.846 15.384 12.308 13.846 11.538 4817.461653 0.251 12.09182875 14 CB B B CB B 0.975 0.251 0.461 0.503 0.438 13.846 15.384 12.308 13.846 15.384 5081.604933 0.251 12.75482838 15 CB B B B CB 0.975 0.251 0.461 0.496 0.57 13.846 15.384 12.308 18.462 11.538 5151.81392 0.251 12.93105294 16 CB B B B B 0.975 0.251 0.461 0.496 0.438 13.846 15.384 12.308 18.462 15.384 5415.9572 0.251 13.59405257

(57)

NO NILAI VARIABEL DERAJAT KEANGGOTAAN BOBOT VARIABEL INFERENSI

X1 X2 X3 X4 X5 mf1 mf2 mf3 mf4 mf5 x1 x2 x3 x4 x5 Z.Tot α z*α 17 B CB CB CB CB 0.228 0.93 0.541 0.503 0.57 18.462 11.538 9.232 13.846 11.538 4637.122733 0.228 10.57263983 18 B CB CB CB B 0.228 0.93 0.541 0.503 0.438 18.462 11.538 9.232 13.846 15.384 4901.266013 0.228 11.17488651 19 B CB CB B CB 0.228 0.93 0.541 0.496 0.57 18.462 11.538 9.232 18.462 11.538 4971.475 0.228 11.334963 20 B CB CB B B 0.228 0.93 0.541 0.496 0.438 18.462 11.538 9.232 18.462 15.384 5235.61828 0.228 11.93720968 21 B CB B CB CB 0.228 0.93 0.461 0.503 0.57 18.462 11.538 12.308 13.846 11.538 4861.824533 0.228 11.08495994 22 B CB B CB B 0.228 0.93 0.461 0.503 0.438 18.462 11.538 12.308 13.846 15.384 5125.967813 0.228 11.68720661 23 B CB B B CB 0.228 0.93 0.461 0.496 0.57 18.462 11.538 12.308 18.462 11.538 5196.1768 0.228 11.8472831 24 B CB B B B 0.228 0.93 0.461 0.496 0.438 18.462 11.538 12.308 18.462 15.384 5460.32008 0.228 12.44952978 25 B B CB CB CB 0.228 0.251 0.541 0.503 0.57 18.462 15.384 9.232 13.846 11.538 4921.419053 0.228 11.22083544 26 B B CB CB B 0.228 0.251 0.541 0.503 0.438 18.462 15.384 9.232 13.846 15.384 5185.562333 0.228 11.82308212 27 B B CB B CB 0.228 0.251 0.541 0.496 0.57 18.462 15.384 9.232 18.462 11.538 5255.77132 0.228 11.98315861 28 B B CB B B 0.228 0.251 0.541 0.496 0.438 18.462 15.384 9.232 18.462 15.384 5519.9146 0.228 12.58540529 29 B B B CB CB 0.228 0.251 0.461 0.503 0.57 18.462 15.384 12.308 13.846 11.538 5146.120853 0.228 11.73315555 30 B B B CB B 0.228 0.251 0.461 0.503 0.438 18.462 15.384 12.308 13.846 15.384 5410.264133 0.228 12.33540222 31 B B B B CB 0.228 0.251 0.461 0.496 0.57 18.462 15.384 12.308 18.462 11.538 5480.47312 0.228 12.49547871 32 B B B B B 0.228 0.251 0.461 0.496 0.438 18.462 15.384 12.308 18.462 15.384 5744.6164 0.228 13.09772539

(58)

NO NILAI VARIABEL DERAJAT KEANGGOTAAN BOBOT VARIABEL INFERENSI

X1 X2 X3 X4 X5 mf1 mf2 mf3 mf4 mf5 x1 x2 x3 x4 x5 Z.Tot α z*α Σ(z.α) 462.8969123 Σ(z.α)/

(59)

4.4. Hasil Sistem

Program aplikasi apabila dijalankan maka akan didapatkan hasil yang sama seperti digambarkan pada gambar 4.18 dibawah ini

Gambar 4.18 Hasil fuzzyfikasi untuk Semua Kelas

Dari hasil inferensi yang terdapat pada gambar 4.18, dimana hasil yang diperoleh dengan kurva trapesium dan kurva sigmoid difazzifikasi untuk mendapatkan nilai linguistik. Dalam penelitian ini nilai fuzzifikasi adalah hasil yang didapat dari kurva trapesium dimana nilai terbesar adalah 46.577 untuk kelas X-Reguler dan nilai terkecil adalah 45.739, dengan kurva sigmoid maka diperoleh nilai terbesar adalah 49.618 untuk kelas X-Reguler dan nilai terkecil adalah 44.255.

4.5. Analisis Perbandingan

Hasil akhir yang diperoleh dari sistem yang dibangun seperti pada gambar 4.19 dibawah ini.

(60)

Gambar 4.19 Tampilan Hasil Analisis

Tabel 4.5 Perbandingan hasil linguistik dari kurva trapesium dan sigmoid

No. Ruangan Nilai Variabel

Linguistik Kurva Trapesium

Linguistik Kurva Sigmoid X1 X2 X3 X4 X5

1. X-Reguler 21.36 18.48 14.61 21.73 17.17 Sangat Baik(1)

Sangat Baik(1) 2. X-Plus 20.78 17.95 14.35 21.55 17.51 Kurang(0.943)

Cukup (0.265)

Kurang (1)

X-Internasional 21.86 18 14.67 21.2 16.93 Kurang (1)

Baik (0.295) Sangat Baik (0.896)

Tabel 4.5 merupakan hasil yang diperoleh dari sistem menunjukkan nilai linguistik yang berbeda, dengan menggunakan metode rata-rata pada kelas X-Reguler dimana diperoleh bernilai Baik sedangkan dengan menggunakan logika fuzzy kurva

(61)

trapesium bernilai Sangat Baik dengan derajat keanggotaan 1 dan dengan menggunakan kurva sigmoid bernilai Sangat Baik.

Pada kelas X-Plus dengan menggunakan rata-rata diperoleh nilai Baik, sedangkan dengan menggunakan kurva trapesium diperoleh dengan dua nilai yaitu Kurang dengan derajat keanggotaan 0.943 dan Cukup dengan derajat keanggotaan 0.265, sedangkan dengan menggunakan kurva sigmoid bernilai Kurang dengan derajat keanggotaan 1.

Pada kelas X-Internasional dengan menggunakan metode rata-rata diperoleh nilai Baik, sedangkan dengan menggunakan logika fuzzy kurva trapesium bernilai Kurang dengan derajat keanggotaan 1, dengan menggunakan logika fuzzy sigmoid bernilai Baik dengan derajat keanggotaan 0.295 dan Sangat Baik dengan derajat keanggotaan (0.896).

Perbedaan ini disebabkan oleh pencarian nilai linguistik dengan metode rata-rata didasarkan pada nilai tetap, sedangkan nilai yang didapat dengan menggunakan logika fuzzy adalah mengunakan nilai yang dinamis yang dipengaruhi oleh nilai-nilai yang diperoleh dari nilai fuzzyfikasi setiap kelas. Dimana nilai-nilai yang digunakan adalah nilai maksimun dan nilai minimum pada variabel Tangibles, variabel Reability, variabel Responsive, variabel Assurance dan Emphaty.

Perbedaan hasil defuzzifikasi antara kurva trapesium dan kurva sigmoid juga dipengaruhi oleh rentang nilai derajat keanggotaan = 1, dimana untuk kurva trapesium memiliki rentang yang lebih panjang dibandingkan dengan kurva sigmoid.

(62)

BAB 5

KESIMPULAN DAN SARAN

5.1. Kesimpulan

Berdasarkan analisis yang telah dilakukan dengan menggunakan data kualitas pelayanan sekolah pada Sekolah Menengah Atas Methodist 1, maka dihasilkan beberapa kesimpulan sebagai berikut :

1. Dalam merancang pengendali logika fuzzy, faktor mendasar yang harus dipenuhi adalah penskalaan dari nilai input-output, aturan dasar kendali fuzzy dan tipe fungsi keanggotan yang digunakan.

2. Dalam logika fuzzy fungsi keanggotaan merupakan dasar penting karena nilai keanggotaan akan menentukan posisi output dari sebuah himpunan fuzzy, penempatan posisi nilai keanggotaan yang dibentuk oleh fungsi kurva yang berbeda maka output yang dihasilkan suatu sistem juga menimbulkan perbedaan.

3. Perbedaan hasil defuzzifikasi antara kurva trapesium dan kurva sigmoid juga dipengaruhi oleh rentang nilai keanggotaan = 1, dimana untuk kurva trapesium memiliki rentang yang lebih panjang dibandingkan dengan kurva sigmoid.

(63)

5.2. Saran

Melanjuti penelitian yang penulis lakukan dengan analisis fungsi keanggotaan pada sistem fuzzy, berikut beberapa saran yang dapat penulis sampaikan :

1. Pada penelitian berikutnya, fungsi keanggotaan dapat diperluas lagi selain yang telah penulis lakukan, yaitu fungsi keanggotaan kurva segitiga, gaussian, linier dan lainnya.

2. Metode inferensi juga dapat juga dikembangkan dengan menggunakan inferensi fuzzy model Mamdani atau model Tsukamoto untuk mengetahui perbedaan pada kasus yang berbeda.

(64)

DATAR PUSTAKA

Altrock, V. C. 1997. Fuzzy Logic and Neuro Fuzzy Application in Business and Finace, Prentice Hall, New Jersey, USA.

Banjarnahor J. 2012. Aplikasi Logika Fuzzy Dalam Penentuan Kepuasan Pasien Rawat Inap. Tesis : Universitas Sumatera Utara.

Bing, Y. C. 2010. Optimal Models and Methods with Fuzzy Quantities Springer – Verlag Berlin Heidelberg.

Cox, E. 1994. Compiling and Using the C++ Fuzzy Modelling Code in The Fuzzy System Handbook. Academik Press Limited, 1994

Djunaidi, M., Eko S. & Fajar W. A. 2005. Penentuan Jumlah Produksi Dengan Aplikasi Metode Fuzzy Mamdani. Jurnal Ilmiah Teknik Industri. 4(2): 95-104.

Fecra B., Kustija J., & Elviyanti S. 2012. Optimasi Penggunaan Membership Function Logika Fuzzy Pada Kasus Idenfikasi Kualitas Minyak Transformator. Jurnal Ilmiah Electrans. 11(2): 27-35.

Hamdani, 2011. Penerapan Himpunan Fuzzy untuk Sistem Pendukung Keputusan Pemilihan Telepon Celular. Jurnal Informatika Mulawarman. 6(1) : 40-66.

Iswari, L. & Wahid, F. 2005. Alat Bantu Sistem Inferensi Fuzzy Metode Sugeno Orde Satu. Seminar Nasional Aplikasi Teknologi Informasi 2005 (SNATI 2005). pp 59-64.

Kusumadewi, S. & Purnomo. 2006. Fuzzy Multi-Attribute Decision Making (Fuzzy MAMD). Graha Ilmu. Yogyakarta.

Kusumadewi, S. 2002. Analisis dan Desain Sistem Fuzzy menggunakan Toolbox Matlab. Graha Ilmu. Jogyakarta.

(65)

Pratiwi, I. & Prayitno, E. 2006. Analisa Kepuasan Konsumen Berdasarkan Tingkat Pelayanan dan Harga Kamar Menggunakan Applikasi Fuzzy dengan Matlab 3.5. Jurnal Ilmiah Teknik Industri. 4(2) : 66-77.

Srtiawan, H., Thiang, & Ferdinando, H. 2001. Aplikasi Algoritma Genetika Untuk Merancang Fungsi Keanggotaan Pada Kendali Logika Fuzzy, Proceeding, Seminar of Intelligent Technology and Its Applications (SITIA 2001), Institut Teknologi Sepuluh Nopember, Surabaya, May 1, 2001.

Solikin, F. 2011. Aplikasi Logika Fuzzy Dalam Optimasi Produksi Barang

Menggunakan Metode Mamdani dan Metode Sugeno. Skripsi. Universitas Negeri Yogyakarta.

Susilo, F. SJ. 2006. Himpunan dan Logika Kabur serta Aplikasinya. Graha Ilmu.

Suratno. 2002. Pengaruh Perbedaan Tipe Fungsi Keanggotaan Pada Pengendali Logika Fuzzy Terhadap Tanggapan Waku Sistem Orde Dua Secara Umum. Jurnal Teknik Elektro Fakultas Teknik Universitas Dipenogoro.

Setiaji, Y., Kristanto, H. & Karel T. J. 2008. Implementasi Fuzzy Set dan Fuzzy Inference System Tsukamoto Pada Penentuan Harga Beli Handphone Bekas. Jurnal Informatika. 4(2) : 47-56.

Tamaki, F., Kagawa, A. & Ohta, H. 1998. Identification of Membership Function Based on Fuzzy Observation Data.

(66)

DATA PENELITIAN

No KELAS/TINGKAT TANGIABLES(B1) REABILITY(B2) RESPONSIVE(B3) ASSURANCE(B4) EMPHATY(B5) TOTAL SKOR A1 A2 A3 A4 A5 A6 B1 B2 B3 B4 B5 C1 C2 C3 C4 D1 D2 D3 D4 D5 D6 E1 E2 E3 E4 E5 X1 X2 X3 X4 X5 1 Reguler 3 2 3 1 3 2 2 3 3 2 3 4 3 3 3 2 3 3 4 4 4 2 2 2 3 3 14 13 13 20 12 2 Reguler 3 2 1 4 5 3 5 5 5 4 1 3 3 4 5 5 5 5 5 5 4 4 4 3 3 3 18 20 15 29 17 3 Reguler 4 4 4 3 4 4 4 4 4 4 4 4 4 4 4 3 4 4 3 4 3 4 4 3 3 3 23 20 16 21 17 4 Reguler 3 3 5 5 5 5 5 5 3 3 5 5 5 5 5 5 5 5 4 4 5 4 5 4 5 5 26 21 20 28 23 5 Reguler 4 3 3 3 4 3 4 3 4 2 4 4 4 3 3 3 3 3 3 4 5 4 4 3 4 3 20 17 14 21 18 6 Reguler 4 4 3 3 4 4 4 4 3 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 22 19 16 24 20 7 Reguler 5 5 5 4 5 5 3 4 4 3 4 3 3 3 4 3 4 3 2 3 5 3 4 4 5 4 29 18 13 20 20 8 Reguler 5 5 5 5 5 5 5 5 5 5 5 4 4 4 4 5 4 5 5 5 4 4 4 5 4 5 30 25 16 28 22 9 Reguler 4 4 4 3 5 4 4 4 4 4 4 4 4 4 4 5 5 4 4 4 4 4 4 4 4 4 24 20 16 26 20 10 Reguler 3 4 3 2 4 1 2 3 4 5 5 4 3 3 4 3 4 3 3 5 3 2 3 5 3 4 17 19 14 21 17 11 Reguler 3 3 4 2 5 5 4 5 4 5 4 4 5 4 5 5 5 5 4 4 5 4 4 4 4 5 22 22 18 28 21 12 Reguler 3 3 3 2 3 2 3 3 3 3 3 4 4 3 3 3 4 4 2 2 3 3 2 2 3 4 16 15 14 18 14 13 Reguler 4 4 4 3 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 23 20 16 24 20 14 Reguler 5 5 5 5 5 5 4 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 30 24 20 30 25 15 Reguler 3 3 3 2 4 4 2 3 2 3 2 2 2 2 2 1 1 1 1 3 1 3 2 1 3 3 19 12 8 8 12 16 Reguler 4 5 3 5 4 4 2 3 3 3 5 3 3 2 4 3 4 4 5 2 3 3 3 2 4 3 25 16 12 21 15 17 Reguler 3 4 4 3 5 4 4 5 3 4 5 3 3 4 4 2 2 3 3 2 3 5 3 3 2 3 23 21 14 15 16 18 Reguler 4 4 4 4 4 4 1 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 3 3 3 24 17 16 24 17 19 Reguler 3 3 3 4 5 3 3 4 4 4 3 5 5 4 4 3 4 3 3 2 4 5 4 3 1 4 21 18 18 19 17 20 Reguler 4 3 3 3 4 5 3 5 3 3 3 5 5 3 5 5 5 4 4 3 5 3 3 3 2 4 22 17 18 26 15 21 Reguler 4 4 4 4 3 4 3 4 4 4 5 4 5 4 5 4 4 4 5 5 5 4 4 4 4 4 23 20 18 27 20 22 Reguler 4 4 5 5 5 5 4 4 4 4 4 4 5 4 5 4 4 4 5 4 5 4 3 5 3 4 28 20 18 26 19 23 Reguler 4 3 5 3 4 2 3 5 4 4 5 5 4 3 5 4 5 3 4 5 5 5 5 5 4 4 21 21 17 26 23 24 Reguler 3 2 3 3 4 4 3 4 3 3 2 2 3 2 4 3 3 3 2 3 3 3 2 2 3 2 19 15 11 17 12

(67)

26 Reguler 2 2 3 1 1 3 3 2 1 3 2 1 1 1 3 1 1 1 1 3 3 1 1 1 1 1 12 11 6 10 5 27 Reguler 3 3 4 2 4 3 3 3 3 4 3 4 4 3 3 3 3 3 3 4 3 3 3 3 3 4 19 16 14 19 16 28 Reguler 3 2 2 3 4 4 4 3 5 4 4 5 4 3 3 5 4 3 4 4 4 5 5 4 4 5 18 20 15 24 23 29 Reguler 3 2 3 3 4 4 3 4 3 3 3 3 2 3 3 3 2 2 3 3 3 3 3 2 3 4 19 16 11 16 15 30 Reguler 3 4 3 4 3 4 4 3 4 3 3 2 2 3 4 2 3 3 4 4 3 3 4 2 3 2 21 17 11 19 14 31 Reguler 3 3 3 1 3 3 4 4 4 4 3 3 3 4 5 3 3 4 2 4 4 2 2 3 3 3 16 19 15 20 13 32 Reguler 2 2 2 1 3 2 3 2 3 4 3 1 2 2 2 2 1 1 2 3 3 1 1 2 2 2 12 15 7 12 8 33 Reguler 4 4 3 4 5 4 4 3 5 4 5 4 5 5 4 5 4 4 5 4 4 5 4 4 4 4 24 21 18 26 21 34 Reguler 4 4 3 3 5 4 4 3 4 4 5 4 4 4 5 4 3 4 4 4 5 3 3 3 3 4 23 20 17 24 16 35 Reguler 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 24 20 16 24 20 36 Reguler 5 5 5 4 5 5 3 4 5 5 5 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 29 22 16 24 20 37 Reguler 4 3 3 3 4 4 4 3 4 4 3 4 4 3 3 3 3 4 3 4 5 4 3 2 3 2 21 18 14 22 14 38 Reguler 4 4 3 4 4 3 4 4 3 4 4 4 4 4 3 4 4 3 4 3 4 4 3 3 3 4 22 19 15 22 17 39 Reguler 5 5 5 5 5 5 5 5 5 5 5 5 4 4 4 5 4 5 5 5 4 4 4 5 4 5 30 25 17 28 22 40 Reguler 4 4 3 4 4 3 4 4 4 4 4 4 4 4 4 5 5 4 4 4 4 5 4 4 4 4 22 20 16 26 21 41 Reguler 4 3 3 4 4 4 4 3 4 3 4 2 2 2 2 1 1 1 2 3 2 3 2 1 2 3 22 18 8 10 11 42 Reguler 4 4 3 4 4 4 4 3 4 5 4 5 4 4 5 4 5 4 3 4 5 4 4 3 4 4 23 20 18 25 19 43 Reguler 3 3 4 2 4 3 3 3 3 4 3 4 4 3 3 3 3 3 3 4 3 3 3 3 3 4 19 16 14 19 16 44 Reguler 4 3 4 4 3 3 4 4 3 3 2 3 4 3 4 3 3 4 3 4 5 4 3 2 3 4 21 16 14 22 16 45 Reguler 3 3 4 4 4 3 4 4 4 2 3 3 4 2 4 3 3 4 3 4 5 4 3 2 2 4 21 17 13 22 15 46 Reguler 4 4 4 3 3 4 4 4 3 4 4 4 3 3 4 4 4 4 3 2 4 4 3 4 4 3 22 19 14 21 18 47 Reguler 3 2 3 4 4 4 3 3 4 3 4 4 3 4 4 3 4 4 3 3 4 3 3 4 4 3 20 17 15 21 17 48 Reguler 3 2 3 4 4 4 3 3 4 3 4 4 4 4 4 3 4 4 3 3 3 3 3 4 4 3 20 17 16 20 17 49 Reguler 3 2 3 1 3 2 2 3 3 2 3 4 3 3 3 2 3 3 4 4 4 2 2 2 4 4 14 13 13 20 14 50 Reguler 5 4 3 4 3 4 5 5 4 3 4 4 4 3 4 5 5 5 5 5 4 4 3 4 4 4 23 21 15 29 19 51 Reguler 4 4 4 4 4 5 4 4 5 5 4 4 3 3 4 3 3 4 4 4 5 4 3 4 4 5 25 22 14 23 20 25 20 17 21 17

(1)

grdSigmoid.Item(11, 0).Value = 0 grdSigmoid.Item(12, 0).Value = 0 grdSigmoid.Item(13, 0).Value = 0

grdSigmoid.Item(14, 0).Value = 1 / (1 + ((X2Reg - Label7.Text) / ((Label6.Text - Label7.Text) / 2)) ^ 2)

grdSigmoid.Item(15, 0).Value = 1 / (1 + ((X2Reg - Label6.Text) / ((Label6.Text - Label7.Text) / 2)) ^ 2)

ElseIf X2Reg > Label6.Text Then End If

Dim X2Plus As Double

X2Plus = grdSigmoid.Item(2, 1).Value If X2Reg < Label1.Text Then

ElseIf X2Plus > Label10.Text And X2Plus < Label9.Text Then

grdSigmoid.Item(11, 1).Value = 1 / (1 + ((X2Plus - Label10.Text) / ((Label9.Text - Label10.Text) / 2)) ^ 2) grdSigmoid.Item(12, 1).Value = 1 / (1 + ((X2Plus - Label9.Text) / ((Label9.Text - Label10.Text) / 2)) ^ 2) grdSigmoid.Item(13, 1).Value = 0

grdSigmoid.Item(14, 1).Value = 0 grdSigmoid.Item(15, 1).Value = 0

ElseIf X2Plus > Label9.Text And X2Plus < Label8.Text Then

grdSigmoid.Item(11, 1).Value = 0

grdSigmoid.Item(12, 1).Value = 1 / (1 + ((X2Plus - Label9.Text) / ((Label8.Text - Label9.Text) / 2)) ^ 2) grdSigmoid.Item(13, 1).Value = 1 / (1 + ((X2Plus - Label8.Text) / ((Label8.Text - Label9.Text) / 2)) ^ 2) grdSigmoid.Item(14, 1).Value = 0

grdSigmoid.Item(15, 1).Value = 0

ElseIf X2Plus > Label8.Text And X2Plus < Label7.Text Then

grdSigmoid.Item(11, 1).Value = 0 grdSigmoid.Item(12, 1).Value = 0

grdSigmoid.Item(13, 1).Value = 1 / (1 + ((X2Plus - Label8.Text) / ((Label7.Text - Label8.Text) / 2)) ^ 2) grdSigmoid.Item(14, 1).Value = 1 / (1 + ((X2Plus - Label7.Text) / ((Label7.Text - Label8.Text) / 2)) ^ 2) grdSigmoid.Item(15, 1).Value = 0

ElseIf X2Plus > Label7.Text And X2Plus < Label6.Text Then

grdSigmoid.Item(11, 1).Value = 0 grdSigmoid.Item(12, 1).Value = 0 grdSigmoid.Item(13, 1).Value = 0

grdSigmoid.Item(14, 1).Value = 1 / (1 + ((X2Plus - Label7.Text) / ((Label6.Text - Label7.Text) / 2)) ^ 2) grdSigmoid.Item(15, 1).Value = 1 / (1 + ((X2Plus - Label6.Text) / ((Label6.Text - Label7.Text) / 2)) ^ 2) ElseIf X2Plus > Label6.Text Then

End If

Dim X2Inter As Double

(2)

If X2Inter < Label10.Text Then

ElseIf X2Inter > Label10.Text And X2Inter < Label9.Text Then

grdSigmoid.Item(11, 2).Value = 1 / (1 + ((X2Inter - Label10.Text) / ((Label9.Text - Label10.Text) / 2)) ^ 2) grdSigmoid.Item(12, 2).Value = 1 / (1 + ((X2Inter - Label9.Text) / ((Label9.Text - Label10.Text) / 2)) ^ 2) grdSigmoid.Item(13, 2).Value = 0

grdSigmoid.Item(14, 2).Value = 0 grdSigmoid.Item(15, 2).Value = 0

ElseIf X2Inter >= Label9.Text And X2Inter < Label8.Text Then

grdSigmoid.Item(11, 2).Value = 0

grdSigmoid.Item(12, 2).Value = 1 / (1 + ((X2Inter - Label9.Text) / ((Label8.Text - Label9.Text) / 2)) ^ 2) grdSigmoid.Item(13, 2).Value = 1 / (1 + ((X2Inter - Label8.Text) / ((Label8.Text - Label9.Text) / 2)) ^ 2) grdSigmoid.Item(14, 2).Value = 0

grdSigmoid.Item(15, 2).Value = 0

ElseIf X2Inter >= Label8.Text And X2Inter < Label7.Text Then

grdSigmoid.Item(11, 2).Value = 0 grdSigmoid.Item(12, 2).Value = 0

grdSigmoid.Item(13, 2).Value = 1 / (1 + ((X2Inter - Label8.Text) / ((Label7.Text - Label8.Text) / 2)) ^ 2) grdSigmoid.Item(14, 2).Value = 1 / (1 + ((X2Inter - Label7.Text) / ((Label7.Text - Label8.Text) / 2)) ^ 2) grdSigmoid.Item(15, 2).Value = 0

ElseIf X2Inter >= Label7.Text And X2Inter < Label6.Text Then

grdSigmoid.Item(11, 2).Value = 0 grdSigmoid.Item(12, 2).Value = 0 grdSigmoid.Item(13, 2).Value = 0

grdSigmoid.Item(14, 2).Value = 1 / (1 + ((X2Inter - Label7.Text) / ((Label6.Text - Label7.Text) / 2)) ^ 2) grdSigmoid.Item(15, 2).Value = 1 / (1 + ((X2Inter - Label6.Text) / ((Label6.Text - Label7.Text) / 2)) ^ 2) ElseIf X2Inter >= Label6.Text Then

End If End Sub

Private Sub DerajatX3() Dim X3Reg As Double

X3Reg = grdSigmoid.Item(2, 0).Value If X3Reg < Label15.Text Then

ElseIf X3Reg > Label15.Text And X3Reg < Label14.Text Then

grdSigmoid.Item(16, 0).Value = 1 / (1 + ((X3Reg - Label10.Text) / ((Label9.Text - Label10.Text) / 2)) ^ 2) grdSigmoid.Item(17, 0).Value = 1 / (1 + ((X3Reg - Label9.Text) / ((Label9.Text - Label10.Text) / 2)) ^ 2)

grdSigmoid.Item(18, 0).Value = 0 grdSigmoid.Item(19, 0).Value = 0 grdSigmoid.Item(20, 0).Value = 0

(3)

ElseIf X3Reg > Label14.Text And X3Reg < Label13.Text Then

grdSigmoid.Item(16, 0).Value = 0

grdSigmoid.Item(17, 0).Value = 1 / (1 + ((X3Reg - Label9.Text) / ((Label8.Text - Label9.Text) / 2)) ^ 2)

grdSigmoid.Item(18, 0).Value = 1 / (1 + ((X3Reg - Label8.Text) / ((Label8.Text - Label9.Text) / 2)) ^ 2)

grdSigmoid.Item(19, 0).Value = 0 grdSigmoid.Item(20, 0).Value = 0

ElseIf X3Reg > Label13.Text And X3Reg < Label12.Text Then

grdSigmoid.Item(16, 0).Value = 0 grdSigmoid.Item(17, 0).Value = 0

grdSigmoid.Item(18, 0).Value = 1 / (1 + ((X3Reg - Label8.Text) / ((Label7.Text - Label8.Text) / 2)) ^ 2)

grdSigmoid.Item(19, 0).Value = 1 / (1 + ((X3Reg - Label7.Text) / ((Label7.Text - Label8.Text) / 2)) ^ 2)

grdSigmoid.Item(20, 0).Value = 0

ElseIf X3Reg > Label12.Text And X3Reg < Label11.Text Then

grdSigmoid.Item(16, 0).Value = 0 grdSigmoid.Item(17, 0).Value = 0 grdSigmoid.Item(18, 0).Value = 0

grdSigmoid.Item(19, 0).Value = 1 / (1 + ((X3Reg - Label7.Text) / ((Label6.Text - Label7.Text) / 2)) ^ 2)

grdSigmoid.Item(20, 0).Value = 1 / (1 + ((X3Reg - Label6.Text) / ((Label6.Text - Label7.Text) / 2)) ^ 2)

ElseIf X3Reg > Label11.Text Then End If

End Sub

Private Sub datagrid() With grdSigmoid

.ColumnCount = 31 .RowCount = 3

.Columns(0).Name = "Ruangan" .Columns(1).Name = "X1" .Columns(2).Name = "X2" .Columns(3).Name = "X3" .Columns(4).Name = "X4" .Columns(5).Name = "X5" .Columns(6).Name = "µX1STB" .Columns(7).Name = "µX1TB" .Columns(8).Name = "µX1CB" .Columns(9).Name = "µX1B" .Columns(10).Name = "µX1SB" .Columns(11).Name = "µX2STB" .Columns(12).Name = "µX2TB" .Columns(13).Name = "µX2CB" .Columns(14).Name = "µX2B" .Columns(15).Name = "µX2SB" .Columns(16).Name = "µX3STB" .Columns(17).Name = "µX3TB" .Columns(18).Name = "µX3CB"

(4)

.Columns(19).Name = "µX3B" .Columns(20).Name = "µX3SB" .Columns(21).Name = "µX4STB" .Columns(22).Name = "µX4TB" .Columns(23).Name = "µX4CB" .Columns(24).Name = "µX4B" .Columns(25).Name = "µX4SB" .Columns(26).Name = "µX5STB" .Columns(27).Name = "µX5TB" .Columns(28).Name = "µX5CB" .Columns(29).Name = "µX5B" .Columns(30).Name = "µX5SB"

.Columns(0).Width = 90 .Columns(1).Width = 40 .Columns(2).Width = 40 .Columns(3).Width = 40 .Columns(4).Width = 40 .Columns(5).Width = 40 .Columns(6).Width = 50 .Columns(7).Width = 50 .Columns(8).Width = 50 .Columns(9).Width = 50 .Columns(10).Width = 50 .Columns(11).Width = 50 .Columns(12).Width = 50 .Columns(13).Width = 50 .Columns(14).Width = 50 .Columns(15).Width = 50 .Columns(16).Width = 50 .Columns(17).Width = 50 .Columns(18).Width = 50 .Columns(19).Width = 50 .Columns(20).Width = 50 .Columns(21).Width = 50 .Columns(22).Width = 50 .Columns(23).Width = 50 .Columns(24).Width = 50 .Columns(25).Width = 50 .Columns(26).Width = 50 .Columns(27).Width = 50 .Columns(28).Width = 50 .Columns(29).Width = 50 .Columns(30).Width = 50

.Item(0, 0).Value = "X-Reguler" .Item(0, 1).Value = "X-Plus"

.Item(0, 2).Value = "X-Internasional" .Item(1, 0).Value = 21.36

.Item(1, 1).Value = 20.78 .Item(1, 2).Value = 21.86 .Item(2, 0).Value = 18.48 .Item(2, 1).Value = 17.95 .Item(2, 2).Value = 18

(5)

.Item(3, 0).Value = 14.61 .Item(3, 1).Value = 14.35 .Item(3, 2).Value = 14.67 .Item(4, 0).Value = 21.73 .Item(4, 1).Value = 21.55 .Item(4, 2).Value = 21.2 .Item(5, 0).Value = 17.17 .Item(5, 1).Value = 17.51 .Item(5, 2).Value = 16.93 End With

End Sub

Private Sub FormSegitiga_Load(ByVal sender As System.Object, ByVal e As System.EventArgs) Handles MyBase.Load

Label1.Text = FormData.txtMinX1.Text Label5.Text = FormData.txtMaxX1.Text Dim interval As Double

interval = (Val(Label5.Text) - Val(Label1.Text)) / 4 Label2.Text = Val(Label1.Text) + interval

Label3.Text = Val(Label2.Text) + interval Label4.Text = Val(Label3.Text) + interval interval = 0

Label10.Text = FormData.txtMinX2.Text Label6.Text = FormData.txtMaxX2.Text

interval = (Val(Label6.Text) - Val(Label10.Text)) / 4 Label9.Text = Val(Label10.Text) + interval

Label8.Text = Val(Label9.Text) + interval Label7.Text = Val(Label8.Text) + interval interval = 0

Label15.Text = FormData.txtMinX3.Text Label11.Text = FormData.txtMaxX3.Text

interval = (Val(Label11.Text) - Val(Label15.Text))/ 4 Label14.Text = Val(Label15.Text) + interval

Label13.Text = Val(Label14.Text) + interval Label12.Text = Val(Label13.Text) + interval interval = 0

Label20.Text = FormData.txtMinX4.Text Label16.Text = FormData.txtMaxX4.Text

interval = (Val(Label16.Text) - Val(Label20.Text))/ 4 Label19.Text = Val(Label20.Text) + interval

Label18.Text = Val(Label19.Text) + interval Label17.Text = Val(Label18.Text) + interval interval = 0

Label25.Text = FormData.txtMinX5.Text Label21.Text = FormData.txtMaxX5.Text

interval = (Val(Label21.Text) - Val(Label25.Text))/ 4 Label24.Text = Val(Label25.Text) + interval

Label23.Text = Val(Label24.Text) + interval Label22.Text = Val(Label23.Text) + interval datagrid()

End Sub End Class

(6)

Analisis Fungsi Keanggotaan Dalam Fuzzy Inference System

BAB 1

PENDAHULUAN

BAB 1

PENDAHULUAN

BAB 2

TINJAUAN PUSTAKA

BAB 3

METODOLOGI PENELITIAN

BAB 4

HASIL DAN PEMBAHASAN

BAB 5

KESIMPULAN DAN SARAN

DATAR PUSTAKA

Parts

Dokumen yang terkait

Analisis Rule Evaluation Dalam Fuzzy Inference System (FIS) Mamdani

Analisis Fungsi Keanggotaan Fuzzy Inference System Sugeno Dalam Pengklasifikasian Anemia

Prediksi Pendapatan Perusahaan Menggunakan Metode Adaptive Neuro Fuzzy Inference System (Anfis)

Aplikasi Fuzzy Inference System Dalam Penilaian Prestasi Mahasiswa.

Fuzzy Inference System FIS dengan Metode

Analisis Fungsi Keanggotaan Fuzzy Tsukamoto Dalam Menentukan Status Kesehatan Tubuh Seseorang

Adaptive Neuro Fuzzy Inference System

Optimasi Fungsi Keanggotaan Fuzzy Inference System Tsukamoto dengan Particle Swarm Optimization pada Penentuan Jumlah Produksi Gula (Studi Kasus : Pabrik Gula Kebonagung Malang)

3. FUZZY INFERENCE SYSTEM (Sugeno)

Adaptive Neuro Fuzzy Inference System

Dukungan

Links

Analisis Fungsi Keanggotaan Dalam Fuzzy Inference System

BAB 1

PENDAHULUAN

BAB 1

PENDAHULUAN

BAB 2

TINJAUAN PUSTAKA

BAB 3

METODOLOGI PENELITIAN

BAB 4

HASIL DAN PEMBAHASAN

BAB 5

KESIMPULAN DAN SARAN

DATAR PUSTAKA

Parts

Dokumen yang terkait

Analisis Rule Evaluation Dalam Fuzzy Inference System (FIS) Mamdani

Analisis Fungsi Keanggotaan Fuzzy Inference System Sugeno Dalam Pengklasifikasian Anemia

Prediksi Pendapatan Perusahaan Menggunakan Metode Adaptive Neuro Fuzzy Inference System (Anfis)

Aplikasi Fuzzy Inference System Dalam Penilaian Prestasi Mahasiswa.

Fuzzy Inference System FIS dengan Metode

Analisis Fungsi Keanggotaan Fuzzy Tsukamoto Dalam Menentukan Status Kesehatan Tubuh Seseorang

Adaptive Neuro Fuzzy Inference System

Optimasi Fungsi Keanggotaan Fuzzy Inference System Tsukamoto dengan Particle Swarm Optimization pada Penentuan Jumlah Produksi Gula (Studi Kasus : Pabrik Gula Kebonagung Malang)

3. FUZZY INFERENCE SYSTEM (Sugeno)

Adaptive Neuro Fuzzy Inference System

Dokumen yang Anda mencari sudah siap untuk unduhkan