2.3.5 Denormalisasi
Denormalisasi adalah suatu teknik yang memiliki fungsi kebalikan dari proses normalisasi. Sehingga nilai data yang sudah stabil atau normal kembali
dijabarkan untuk keperluan peningkatan performa dari suatu kelompok data.
2.4 Logika Kabur Fuzzy Logic
Logika kabur atau fuzzy logic adalah suatu cara yang tepat untuk memetakan suatu ruang input ke dalam suatu ruang output. Titik awal dari konsep
modern mengenai ketidak pastian diperkenalkan oleh Lofti A Zadeh di mana dia memperkenalkan teori yang memiliki banyak obyek dari himpunan fuzzy yang
memiliki batasan yang tidak presisi dan keanggotaan dalam himpunan fuzzy bukan dalam bentuk logika benar atau salah tapi dinyatakan dalam derajat. Logika kabur
berkenaan dengan semantic dari suatu kejadian, fenomena atau pernyataan itu sendiri Susilo, 2006.
2.4.1 Konsep Logika Kabur
Logika kabur memberikan suatu pemecahan masalah terhadap persoalan yang tidak pasti. Dikarenakan logika konvensional yang hanya berpendapat
bahwa logika benar atau logika salah tidak dapat mengatasi kejadian yang ada di dunia nyata. Untuk mengatasi masalah tersebut maka dikembangkanlah ilmu
logika kabur. Sehingga bila dinilai dalam bentuk angka, posisi logika kabur ada di antara 0 dan 1, di mana 0 adalah logika salah dan 1 adalah logika benar Susilo,
2006.
2.4.2 Fuzzyfikasi
Fuzzyfikasi adalah proses yang dilakukan untuk memetakan variabel nyata ke dalam variabel kabur.. Fuzzyfikasi digunakan ketika variabel yang akan
digunakan belum berada dalam nilai kabur. Pemetaan dilakukan dengan bantuan model dari fungsi keanggotaan agar dapat diketahui besar masukan tersebut
derajat keanggotaan Kusumadewi, 2010.
2.4.3 Fungsi Keanggotaan
Fungsi keanggotaan adalah suatu kurva yang menunjukkan pemetaan titik-titik input data ke dalam nilai keanggotaannya. Salah satu cara yang dapat
digunakan untuk mendapatkan nilai keanggotaan adalah dengan melalui pendekatan fungsi Kusumadewi, 2010.
2.4.4 Reperesentasi Kurva-S
Kurva-S atau kurva sigmoid adalah kurva yang berhubungan dengan kenaikan dan penurunan permukaan secara tak linear. Kurva-S untuk
pertumbuhan akan bergerak dari sisi paling kiri dengan nilai keanggotaan = 0 ke sisi paling kanan dengan nilai keanggotaan = 1. Fungsi keanggotaannya akan
tertumpu pada 50 nilai keanggotaannya. Sedangkan kurva-S untuk penyusutan akan bergerak dari sisi paling kiri dengan nilai keanggotaan = 1 ke sisi paling
kanan dengan nilai keanggotaan = 0
Kurva-S didefinisikan dengan menggunakan 3 parameter, yaitu nilai keanggotaan nol, nilai keanggotaan lengkap, dan titik infleksi yaitu titik yang
memiliki domain 50 benar Kusumadewi, 2010.
Gambar 2.5 Gambar Kurva-S atau Kurva Sigmoid Kusumadewi, 2010
2.5 Jaringan Syaraf Tiruan dan Logika Kabur
Kategori